论文页面 - AesCode：基于解耦跨模态奖励的美学代码生成

来源：https://huggingface.co/papers/2610.18860 作者：

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

摘要

以代码形式生成信息丰富的视觉制品，例如幻灯片、海报和仪表盘，非常有吸引力，因为其输出是结构化、可编辑且可验证的。然而，代码模型无法看到其布局和颜色选择在画布上的最终组合效果，这往往限制了空间规划和美学质量。图像生成器擅长视觉设计，但可能无法正确渲染所请求的内容，使其输出不适合作为直接复现的目标。因此，我们提出了 AesCode，它基于内容提示生成代码，同时以同一提示生成的图像作为美学引导。为此，AesCode 将目标表示为一个设计图（design graph），描述整个画布并使每个属性可归属。从该图中，我们推导出互补的跨模态奖励：确定性验证器为可从代码和渲染中解析的属性打分，而 VLM 评判器则通过与图元素和关系绑定的样本特定视觉图评分标准（Visual Graph Rubric，VGR）来评估不可解析的属性。我们通过带有逐通道归一化的强化学习优化这些解耦的奖励，以共同提升空间规划、美学质量和可验证的正确性。为了评估这一设定，我们构建了一个分别对可验证正确性和视觉质量进行打分的基准，其中视觉得分与人类判断高度一致。我们发现参考图像能显著提升现有模型所生成代码的视觉质量，消融实验表明 AesCode 既能从参考图像作为模型输入中获益，也能将其作为视觉奖励来源获益。相较于在相同参考图像条件下同等规模的 Qwen3-VL 基线，AesCode-8B 和 AesCode-32B 分别将视觉质量提升了 31.1 和 22.4 个百分点，达到了与 GPT-5.5 和 Claude Opus 4.8 等闭源前沿模型相当的水平。

查看 arXiv 页面 (https://arxiv.org/abs/2610.18860)　查看 PDF (https://arxiv.org/pdf/2610.18860)　项目页面 (https://microsoft.github.io/AesCode/)　GitHub42 (https://github.com/microsoft/AesCode)　添加到合集 (https://huggingface.co/login?next=%2Fpapers%2F2610.18860)

在你的代理中获取此论文：

hf papers read 2610.18860

还没有最新版 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型0

暂无模型关联此论文

在模型 README.md 中引用 arxiv.org/abs/2610.18860 即可从此页面链接。

引用此论文的数据集0

暂无数据集关联此论文

在数据集 README.md 中引用 arxiv.org/abs/2610.18860 即可从此页面链接。

引用此论文的 Spaces0

暂无 Space 关联此论文

在 Space README.md 中引用 arxiv.org/abs/2610.18860 即可从此页面链接。

收录此论文的合集0

暂无合集收录此论文

将此论文添加到合集 (https://huggingface.co/new-collection) 即可从此页面链接。