SciForma: 科学図表の構造忠実生成

要旨

構造的忠実性は、科学的方法論の図にとって不可欠である。研究のロジックを伝達するためには、これらの図は構成要素、方向性関係、およびテキスト注釈を忠実に表現しなければならない。矢印の向きの間違いや判読不能な数式といった単一の誤りが図全体を無効にする可能性があるため、構造的忠実性は本質的に連言的である。すなわち、ある軸での正確性は別の軸での失敗を補償できない。現在のオープンソースモデルは、この基準を満たしていない。教師ありファインチューニング（SFT）は見た目に妥当なレイアウトを学習するが、構造的正確性を確実に保証することはできず、スカラー報酬に基づくポストトレーニングは、どの構造的次元で失敗したかを不明瞭にする。この問題に対処するため、我々はSciFormaを紹介する。SciFormaは、科学的方法論の図を構造的に忠実に生成するためのフレームワークである。具体的には、SciFormaは図の品質を、構造的インベントリに基づいて、構成要素、矢印、テキストの三つの構造的軸に分解する。この基盤の上に、構造化トレーニング用のSciFormaData-700Kと、ロジック検証済み評価用のSciFormaBench-2Kをキュレーションする。SFTによって残されたギャップを埋めるために、我々は多次元連言選好最適化（M-DPO）を開発する。これは、全軸にわたる同時的正確性を強制し、ポストトレーニングにおいて最も不足している次元に適応的に勾配をルーティングする。同じ構造的インベントリにより、推論時における反復編集も可能となり、残差誤差を修正できる。この組み合わせにより、SciForma-9BはSciFormaBench-2KとAIBenchの両方において、すべてのオープンソースベースラインおよびGPT-Image-1.5を上回り、オープンな科学図生成をプロプライエタリレベルの構造的忠実性に近づける。我々のコードとデータは以下で公開される予定である：https://github.com/microsoft/SciForma。

English

Structural fidelity is essential to scientific methodology diagrams. To communicate research logic, these diagrams must faithfully render components, directional relations, and textual annotations. Since a single error, such as a reversed arrow or an unreadable equation, can invalidate the entire figure, structural fidelity is inherently conjunctive: correctness on one axis cannot compensate for failure on another. Current open-source models fail to satisfy this criterion. Supervised fine-tuning (SFT) learns plausible layouts but cannot reliably ensure structural correctness, while scalar reward-based post-training obscures which structural dimension has failed. To address this, we introduce SciForma, a framework for the structure faithful generation of scientific methodology diagrams. Specifically, SciForma decomposes diagram quality into three structural axes: Component, Arrow, and Text, guided by a structural inventory. Built on this foundation, we curate SciFormaData-700K for structured training and SciFormaBench-2K for logic-verified evaluation. To close the gap left by SFT, we develop Multi-Dimensional Conjunctive Preference Optimization (M-DPO), which enforces simultaneous correctness across all axes and adaptively routes gradients to the most deficient dimension in post-training. The same structural inventory also enables iterative editing at inference time to correct residual errors. This combination allows SciForma-9B to exceed all open-source baselines and GPT-Image-1.5 on both SciFormaBench-2K and AIBench, bringing open scientific diagram generation close to proprietary-level structural fidelity. Our code and data will be available at: https://github.com/microsoft/SciForma.