InternSVG: Rumo à Unificação de Tarefas SVG com Modelos de Linguagem Multimodal de Grande Escala

InternSVG: Towards Unified SVG Tasks with Multimodal Large Language Models

October 13, 2025

Autores: 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

Resumo

A modelagem geral de SVG continua desafiadora devido a conjuntos de dados fragmentados, transferibilidade limitada de métodos entre tarefas e a dificuldade de lidar com complexidade estrutural. Em resposta, aproveitamos as fortes capacidades de transferência e generalização de modelos de linguagem multimodal de grande escala (MLLMs) para alcançar uma modelagem unificada para compreensão, edição e geração de SVG. Apresentamos a família InternSVG, um conjunto integrado de dados, benchmarks e modelos. No seu núcleo está o SAgoge, o maior e mais abrangente conjunto de dados multimodal para tarefas de SVG, abrangendo tanto gráficos estáticos quanto animações dinâmicas. Ele cobre ícones, ilustrações de longa sequência, diagramas científicos e animações dinâmicas, suportando tarefas de diversos níveis de dificuldade e fornecendo hierarquias mais profundas com atributos mais ricos em comparação com conjuntos de dados anteriores. Com base nesse recurso, introduzimos o SArena, um benchmark complementar com definições abrangentes de tarefas e avaliação padronizada que se alinha com os domínios e o espectro de dificuldade cobertos pelo SAgoge. Com base nessas fundações, propomos o InternSVG, um MLLM unificado para compreensão, edição e geração de SVG com tokens especiais específicos para SVG, inicialização de embeddings baseada em subpalavras e uma estratégia de treinamento em duas etapas que progride de SVGs estáticos curtos para ilustrações de longa sequência e animações complexas. Essa formulação unificada induz transferência positiva e melhora o desempenho geral. Experimentos no SArena e em benchmarks anteriores confirmam que o InternSVG alcança ganhos substanciais e consistentemente supera as principais contrapartes abertas e proprietárias.

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.