Jeder Punkt einer Vektorzeichnung wird als ein Token gespeichert
Eine Logodatei ist ein kleines Programm für einen Stift. Geh hierhin. Krümm dich dorthin. Füll die Form. Die Zahlen sind die Zeichnung. Deshalb bleibt die Kante scharf, wenn das Logo wächst, und deshalb kann jemand einen Punkt später noch anfassen und verschieben. Dieselben Zahlen rät ein Sprachmodell am schlechtesten. Es setzt Text fort. Eine Koordinate ist Text, und in einer Ziffer steckt nichts, das sie auf der Seite hält. Die Autoren nennen den Fehlgriff Koordinatenhalluzination.
Yiying Yang, Wei Cheng und ihre Kollegen an der Fudan-Universität und bei StepFun versuchen, den Fehlgriff abzustellen. Der Aufsatz heißt OmniSVG: A Unified Scalable Vector Graphics Generation Model und stammt von der Konferenz Neural Information Processing Systems 2025. Sie nehmen die Zeichnung von der Textseite herunter. Jedes Bild im Training liegt in einem Kasten von 200 mal 200. picosvg wirft weg, womit eine Datei in Ordnung bleibt: Gruppen, die Transformationen, die diese Gruppen bewegen, und die übrigen Attribute. Fünf Stiftbewegungen bleiben. Bewegen. Linie. Kurve. Bogen. Schließen. Eine sechste trägt die Füllung. Die Farbe ist eine eigene Wahl. Die Pfade liegen danach in einem Streifen, von vorn nach hinten.
Ein Punkt in diesem Kasten ist keine zwei Zahlen mehr zum Aussprechen. Er ist ein Feld. Der Name des Feldes ist x × w + y, und die Breite ist 200. So ein Blatt hat 40.000 Felder. In ihrer Abbildung steht das Vokabular der Zeichnung bei 40.000, neben den 150.000 Wörtern des Sprachmodells Qwen2.5-VL, bei dem sie anfangen. Das Modell kann schon einen Satz fortsetzen, indem es das nächste Wort wählt. Sie geben ihm ein zweites Alphabet aus Feldern und aus diesen wenigen Bewegungen. Dieses Alphabet wird von vorn auf das alte gesetzt. Die nächste Vermutung ist ein Ort, an dem der Stift wirklich ankommen kann.
Sie prüfen das Alphabet, indem sie es wegnehmen. Stehen Koordinaten und Farben beide als gewöhnlicher Text da, läuft ein Beispiel auf 18,5 Tausend Token, und die Bilder liegen am weitesten von der Referenzmenge weg. Packt man die Farbe und lässt die Koordinaten Text, sind es 10,2 Tausend. Packt man die Koordinaten und lässt die Farbe Text, sind es 6,3 Tausend. Packt man beides, bleiben 4,8 Tausend, und die Bilder liegen am nächsten. Die übrigen Werte derselben Tabelle gehen in derselben Reihenfolge. Die Koordinaten waren der lange Teil, und sie durften wandern. Ein Feld hat die Datei gekürzt und die Bilder an die Referenzmenge herangezogen. Eine Änderung hat beides getan.
Die Zeilen gehören zu dem Modell, das sie OmniSVG nennen, mit 3,7 Milliarden Parametern, auf Qwen. Der Bogen bleibt übrig. Er braucht weiter zwei Radien, einen Winkel und zwei Flags, und das sind keine Felder. Die Formel hat sie nicht beansprucht. Am Ende wird der Streifen wieder als Pfade aufgeschrieben. Der Stift geht, die Form schließt, eine Farbe füllt. Eine Gruppe, die in die Bereinigung ging, kommt nicht heraus. Ein Wort für eine Gruppe hat das Modell nie bekommen. Eine dichte Figur kostet weiter Zehntausende solcher Wahlen, und die Autoren nennen die Wartezeit beträchtlich. Die Felder haben die Zahlen in den Griff bekommen. Eine detaillierte Zeichnung ist davon nicht kurz geworden. Der Stift wählt noch immer einen Ort an jedem Halt. Zeigt man dem Modell ein Foto, scheitert es. Sie schreiben, es folge nur Bildern, die schon wie Vektorzeichnungen aussehen. Es hat gelernt, einen Pfad fortzusetzen. Eine Kamera hinterlässt keinen.