Bir vektör çiziminin her noktası tek token olarak saklanır
Bir logo dosyası, kalem için küçük bir programdır. Şuraya git. Şuraya doğru eğil. Şekli doldur. Sayılar çizimin kendisidir. Logo büyüyünce kenar dağılmaz, küçülünce de aynı program yeter. Kenar bu yüzden keskin kalır. Bir noktayı sonradan tutup kaydırmak da bu yüzden mümkündür. Dil modeli bu sayıları en kötü tahmin eder. Model metni sürdürür. Koordinat metindir. Rakamın içinde onu sayfada tutan bir şey yoktur. Yazarlar bu ıskalamaya koordinat halüsinasyonu der.
Fudan Üniversitesi ile StepFun’dan Yiying Yang, Wei Cheng ve meslektaşları bu ıskalamayı durdurmaya çalışır. Yazı OmniSVG: A Unified Scalable Vector Graphics Generation Model, 2025 Neural Information Processing Systems konferansındandır. Çizimi metin sayfasından indirirler. Eğitimdeki her resim 200’e 200’lük bir kutuya bastırılır. picosvg, dosyayı düzenli tutan parçaları atar: gruplar, o grupları oynatan dönüşümler ve fazla öznitelikler. Kalemin beş hareketi kalır. Taşı. Çizgi. Eğri. Yay. Kapa. Altıncı hareket dolguyu taşır. Renk kendi başına bir seçim olur. Yollar sonra baştan sona tek şerit halinde dizilir.
Bu kutudaki bir nokta artık söylenecek iki sayı olmaktan çıkar. Bir karedir. Karenin adı x × w + y formülüdür. Genişlik 200’dür. Bu boyda bir yaprakta 40.000 kare vardır. Şekillerinde çizimin sözlüğü 40 bin diye durur, başladıkları dil modeli Qwen2.5-VL’nin 150 bin kelimelik sözlüğünün yanında. Model bir cümleyi sonraki kelimeyi seçerek sürdürmeyi zaten bilir. Ona karelerden ve bu birkaç hareketten bir alfabe daha verilir. Bu alfabe eskisinin üstüne sıfırdan öğrenilir. Sonraki tahmin, kalemin gerçekten inebileceği bir yerdir.
Alfabeyi geri alarak sınarlar. Koordinatlar ve renkler düz metinken bir örnek 18,5 bin tokene çıkar. Resimler referans kümeden en uzakta durur. Rengi paketleyip koordinatları metin bırakmak bunu 10,2 bine indirir. Koordinatları paketleyip rengi metin bırakmak 6,3 bine indirir. İkisini birden paketlemek 4,8 bin bırakır. Resimler en yakındadır. Aynı tablodaki diğer skorlar da bu sırayı izler. Uzun olan ve gezinebilen kısım koordinatlardı. Kare dosyayı kısalttı ve resimleri referans kümeye çekti. Tek değişiklik ikisini birden yaptı.
Satırlar, Qwen üzerine kurulu, 3,7 milyar parametreli OmniSVG modeline aittir. Yay dışarıda kalır. İki yarıçap, bir açı ve iki bayrak hâlâ gerekir. Bunlar kare değildir. Formül onlara sahip çıkmamıştır. Çıkışta şerit yeniden yollar olarak yazılır. Kalem gider, şekil kapanır, bir renk dolar. Temizliğe giren grup dışarı çıkmaz. Modele grup için bir kelime verilmemiştir. Yoğun bir figür yine on binlerce seçim tutar. Figür ayrıntılandıkça duraklar çoğalır. Her durak ayrı bir kare seçimidir. Yazarlar bu beklemeyi uzun sayar. Kareler sayıları zaptetti. Ayrıntılı bir çizim bundan kısa kalmadı. Kalem her durakta yine bir yer seçer. Modele bir fotoğraf gösterin, şaşırır. Yalnızca şimdiden vektör çizimine benzeyen resimleri izlediğini yazarlar. Bir yolu sürdürmeyi öğrenmiştir. Fotoğraf makinesi yol bırakmaz.