InternSVG: К унификации задач SVG с использованием мультимодальных больших языковых моделей

Аннотация

Моделирование SVG в общем случае остается сложной задачей из-за фрагментированных наборов данных, ограниченной переносимости методов между задачами и трудностей обработки структурной сложности. В ответ на это мы используем мощные возможности трансфера и обобщения мультимодальных больших языковых моделей (MLLM) для достижения унифицированного моделирования в задачах понимания, редактирования и генерации SVG. Мы представляем семейство InternSVG — интегрированный набор данных, бенчмарков и моделей. В его основе лежит SAgoge, самый крупный и всеобъемлющий мультимодальный набор данных для задач SVG, включающий как статичную графику, так и динамические анимации. Он охватывает иконки, длинные последовательности иллюстраций, научные диаграммы и динамические анимации, поддерживая задачи различного уровня сложности и предоставляя более глубокие иерархии с более богатыми атрибутами по сравнению с предыдущими наборами данных. На основе этого ресурса мы представляем SArena, сопутствующий бенчмарк с полным набором определений задач и стандартизированной оценкой, которая соответствует областям и спектру сложности, охватываемым SAgoge. Опираясь на эти основы, мы предлагаем InternSVG — унифицированную MLLM для понимания, редактирования и генерации SVG, использующую специальные токены для SVG, инициализацию вложений на основе субслов и двухэтапную стратегию обучения, которая переходит от коротких статических SVG к длинным последовательностям иллюстраций и сложным анимациям. Эта унифицированная формулировка способствует положительному трансферу и улучшает общую производительность. Эксперименты на SArena и предыдущих бенчмарках подтверждают, что InternSVG достигает значительных улучшений и стабильно превосходит ведущие открытые и проприетарные аналоги.

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.

InternSVG: К унификации задач SVG с использованием мультимодальных больших языковых моделей

InternSVG: Towards Unified SVG Tasks with Multimodal Large Language Models

Аннотация

Support