Chaque point d’un dessin vectoriel est gardé en un seul jeton
Un fichier de logo est un petit programme pour un crayon. Va ici. Courbe vers là. Remplis la forme. Les nombres sont le dessin. C’est pour cela que le bord reste net quand le logo grandit, et qu’une personne peut encore saisir un point et le déplacer. Ces nombres sont ce qu’un modèle de langue devine le plus mal. Il continue du texte. Une coordonnée est du texte, et rien dans un chiffre ne le retient sur la page. Les auteurs appellent ce raté une hallucination de coordonnées.
Yiying Yang, Wei Cheng et leurs collègues, à l’université Fudan et chez StepFun, essaient d’arrêter ce raté. L’article s’intitule OmniSVG: A Unified Scalable Vector Graphics Generation Model et vient de la conférence Neural Information Processing Systems de 2025. Ils descendent le dessin de la page de texte. Chaque image de l’entraînement est pressée dans une boîte de 200 par 200. picosvg jette ce qui tient un fichier en ordre : les groupes, les transformations qui déplacent ces groupes, et les attributs de reste. Cinq gestes du crayon demeurent. Déplacer. Ligne. Courbe. Arc. Fermer. Un sixième porte le remplissage. La couleur est un choix à part. Les chemins sont ensuite posés en une seule bande, du début à la fin.
Un point dans cette boîte n’est plus deux nombres à épeler. C’est une case. Le nom de la case est x × w + y, et la largeur vaut 200. Une feuille de cette taille compte 40 000 cases. Leur figure marque le vocabulaire du dessin à 40 000, à côté des 150 000 mots du modèle de langue dont ils partent, Qwen2.5-VL. Le modèle sait déjà continuer une phrase en choisissant le mot suivant. Ils lui donnent un second alphabet, fait de cases et de ces quelques gestes, et cet alphabet s’apprend à partir de zéro par-dessus l’ancien. La conjecture suivante est un endroit où le crayon peut vraiment se poser.
Ils vérifient l’alphabet en le retirant. Quand les coordonnées et les couleurs sont du texte ordinaire, un exemple va à 18,5 mille jetons, et les images sont les plus loin de l’ensemble de référence. Empaqueter la couleur et laisser les coordonnées en texte ramène cela à 10,2 mille. Empaqueter les coordonnées et laisser la couleur ramène à 6,3 mille. Empaqueter les deux laisse 4,8 mille, et les images sont les plus proches. Les autres scores du même tableau suivent le même ordre. Les coordonnées étaient la partie longue, et elles étaient libres d’errer. Une case a raccourci le fichier et a ramené les images vers l’ensemble de référence. Un seul changement a fait les deux.
Les lignes appartiennent au modèle qu’ils nomment OmniSVG, 3,7 milliards de paramètres, construit sur Qwen. L’arc reste à part. Il lui faut encore deux rayons, un angle et deux drapeaux, et ce ne sont pas des cases. La formule ne les a pas réclamés. À la sortie, la bande est réécrite en chemins. Le crayon avance, la forme se ferme, une couleur remplit. Un groupe entré dans le nettoyage ne ressort pas. Le modèle n’a jamais reçu de mot pour un groupe. Un personnage dense coûte encore des dizaines de milliers de ces choix, et les auteurs disent que l’attente est considérable. Les cases ont mis les nombres au pas. Un dessin détaillé n’en est pas devenu court pour autant. Le crayon choisit encore un endroit à chaque arrêt. Montrez au modèle une photographie, il échoue. Ils écrivent qu’il ne suit que des images qui ont déjà l’air d’un dessin vectoriel. Il a appris à continuer un chemin. Un appareil photo n’en laisse pas.