Figma 披露训练画布编辑专用模型的方法
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。
本条选题由第三方线索发现；线索方提供的摘要未被采用，本页内容依据下方信源整理。线索来源：AIHOT
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载从画布编辑切入
Figma 的 agent 没有从零生成设计入手，而是聚焦设计师日常反复进行的小改动：调整间距、更换颜色、根据反馈重排布局。这类工作难以用统一标准验证，每次修改都建立在之前的决策之上。团队认为速度同样关键，一次耗时过长的编辑会打断它本应辅助的工作流，因此目标是在设计能力和编辑速度上同时提升。
为何不用提示词硬凑
起步阶段，前沿模型读不懂 Figma 的语法，靠大量系统提示词来弥补会消耗极多 token。Figma 转而投入监督微调：每个训练样本把一份起始设计与一条生成的合成编辑请求、一个成功改动示例配在一起。设计以 Figma 原生文件格式表示，模型因此学会产出能直接应用回画布的结果。当任务需要设计系统资源时，团队生成覆盖主题与组件变更的合成提示，扩大训练覆盖面。
教师模型加双重校验
候选编辑由更大的教师模型生成，随后经过两类检查：确定性校验器确认输出格式有效，视觉模型评判器判断请求是否被真正完成。生成管线可以借助评估反馈自我修复、重新修改，从而在无人逐条把关的情况下持续产出可用样本。Figma 称这一路线效果超出预期。
早期模型的表现
Figma 提到，较早的一个 Llama 3.3 70B 模型在超过 25 万个样本上训练后，编辑任务上的表现已能与当时的顶级模型竞争。这一结果被用来说明专用后训练有潜力与前沿通用模型抗衡，也是团队把该思路迁移到设计编辑工作流的依据。材料在此处中断，后续模型与当前方案的具体细节未展开。
为什么值得看
专用后训练能否追上通用前沿模型，Figma 给出了设计编辑场景的一手做法与数据规模。
信源1 家
关键事实
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。