InternSVG: Verso un Approccio Unificato per i Compiti SVG con Modelli Linguistici Multimodali di Grande Scala

InternSVG: Towards Unified SVG Tasks with Multimodal Large Language Models

October 13, 2025

Autori: Haomin Wang, Jinhui Yin, Qi Wei, Wenguang Zeng, Lixin Gu, Shenglong Ye, Zhangwei Gao, Yaohui Wang, Yanting Zhang, Yuanqi Li, Yanwen Guo, Wenhai Wang, Kai Chen, Yu Qiao, Hongjie Zhang

cs.AI

Abstract

La modellazione generale di SVG rimane impegnativa a causa di dataset frammentati, limitata trasferibilità dei metodi tra i compiti e la difficoltà di gestire la complessità strutturale. In risposta, sfruttiamo le forti capacità di trasferimento e generalizzazione dei modelli linguistici multimodali di grandi dimensioni (MLLM) per ottenere una modellazione unificata per la comprensione, la modifica e la generazione di SVG. Presentiamo la famiglia InternSVG, una suite integrata di dati, benchmark e modelli. Al suo centro c'è SAgoge, il dataset multimodale più vasto e completo per i compiti SVG, che include sia grafiche statiche che animazioni dinamiche. Copre icone, illustrazioni a sequenza lunga, diagrammi scientifici e animazioni dinamiche, supportando compiti di vari livelli di difficoltà e fornendo gerarchie più profonde con attributi più ricchi rispetto ai dataset precedenti. Basandoci su questa risorsa, introduciamo SArena, un benchmark complementare con definizioni di compiti complete e valutazione standardizzata che si allinea ai domini e allo spettro di difficoltà coperti da SAgoge. Costruendo su queste fondamenta, proponiamo InternSVG, un MLLM unificato per la comprensione, la modifica e la generazione di SVG con token speciali specifici per SVG, inizializzazione di embedding basata su sottoparole e una strategia di addestramento in due fasi che progredisce da SVG statici brevi a illustrazioni a sequenza lunga e animazioni complesse. Questa formulazione unificata induce un trasferimento positivo e migliora le prestazioni complessive. Gli esperimenti su SArena e benchmark precedenti confermano che InternSVG ottiene guadagni sostanziali e supera costantemente le controparti leader sia open che proprietarie.

English

General SVG modeling remains challenging due to fragmented datasets, limited transferability of methods across tasks, and the difficulty of handling structural complexity. In response, we leverage the strong transfer and generalization capabilities of multimodal large language models (MLLMs) to achieve unified modeling for SVG understanding, editing, and generation. We present the InternSVG family, an integrated data-benchmark-model suite. At its core is SAgoge, the largest and most comprehensive multimodal dataset for SVG tasks, encompassing both static graphics and dynamic animations. It covers icons, long-sequence illustrations, scientific diagrams, and dynamic animations, supporting tasks of varied difficulty levels and providing deeper hierarchies with richer attributes compared to previous datasets. Based on this resource, we introduce SArena, a companion benchmark with comprehensive task definitions and standardized evaluation that aligns with the domains and difficulty spectrum covered by SAgoge. Building on these foundations, we propose InternSVG, a unified MLLM for SVG understanding, editing, and generation with SVG-specific special tokens, subword-based embedding initialization, and a two-stage training strategy that progresses from short static SVGs to long-sequence illustrations and complex animations. This unified formulation induces positive transfer and improves overall performance. Experiments on SArena and prior benchmark confirm that InternSVG achieves substantial gains and consistently outperforms leading open and proprietary counterparts.