AesCode 用解耦跨模态奖励提升代码生成视觉质量
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载代码生成审美的难点
论文关注的是把幻灯片、海报、仪表盘这类信息密集的视觉产物生成为代码。这样做的吸引力在于输出是结构化的、可编辑的、可验证的。但代码模型看不到自己选择的布局与颜色在画布上如何组合，空间规划与审美质量因此受限。图像生成器擅长视觉设计，却可能把要求的内容画错，所以它们的输出不能直接当作可靠复现目标。AesCode 的思路是让代码生成以内容提示为依据，同时把同一提示生成的图像当作审美引导，从而兼顾内容正确与视觉表现。
设计图与两类奖励
AesCode 把目标表示成一张设计图，用来描述整块画布，并让每个属性都可归因。从这张图出发，论文导出互补的跨模态奖励：一部分属性可以从代码和渲染结果中解析出来，由确定性验证器打分；另一部分无法解析，交给 VLM 评委，依据与图元素和关系绑定的样本专属 Visual Graph Rubric 来评估。这些解耦后的奖励通过强化学习优化，并采用逐通道归一化，目标是同时改善空间规划、审美质量和可验证的正确性。
评测方式与结果
为评估这一设定，论文构建了一个基准，把可验证正确性与视觉质量分开打分，其中视觉分数与人类判断高度一致。论文发现，参考图像能显著提升现有模型生成代码的视觉质量；消融实验显示，AesCode 既把参考图当作模型输入，也把它当作视觉奖励的来源，两方面都带来收益。在与同规模 Qwen3-VL 基线使用相同参考图的对比中，AesCode-8B 和 AesCode-32B 的视觉质量分别提升 31.1 和 22.4 个百分点，得分与 GPT-5.5、Claude Opus 4.8 等闭源前沿模型相当。
为什么值得看
把视觉设计任务转成可编辑代码，并给出可验证与审美分开打分的方案，对做代码生成与多模态奖励设计的人有直接参考价值。
信源1 家
关键事实
论文提出 AesCode，将幻灯片、海报、仪表盘等信息密集的视觉产物生成为结构化、可编辑、可验证的代码。[1]
AesCode 把目标表示为描述整块画布的设计图，使每个属性都可归因，并据此导出确定性验证器与 VLM 评委两类互补奖励。[1]
不可解析属性由 VLM 评委依据与图元素和关系绑定的样本专属 Visual Graph Rubric 评估，奖励通过带逐通道归一化的强化学习优化。[1]
论文构建了分别评估可验证正确性与视觉质量的基准，其视觉分数与人类判断高度一致。[1]
在相同参考图下，AesCode-8B 与 AesCode-32B 相对同规模 Qwen3-VL 基线视觉质量分别提升 31.1 和 22.4 个百分点。[1]
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。