OmniDiagram：通过视觉询问奖励推进统一图表代码生成

可编程图表生成的范式正在快速发展，在结构化可视化中发挥着关键作用。然而，大多数现有研究局限于狭窄的任务形式化和语言支持，限制了其对多样化图表类型的适用性。在本工作中，我们提出了 OmniDiagram，一个统一框架，整合了多样化的图表代码语言和任务定义。为解决强化学习（RL）中代码逻辑与视觉保真度对齐的挑战，我们引入了一种名为视觉询问验证全部（\textsc{Viva}）的新型视觉反馈策略。与脆弱的基于语法的规则或像素级匹配不同，\textsc{Viva} 通过生成式方法奖励渲染图表的视觉结构。具体而言，\textsc{Viva} 主动生成针对性的视觉询问来审查图表视觉保真度，并提供细粒度反馈以优化。该机制促进了自我演化的训练过程，有效消除了对人工标注真实代码的需求。此外，我们构建了 M3$^2$Diagram，第一个大规模图表代码生成数据集，包含超过 196k 个高质量样本。实验结果证实，SFT 与基于 \textsc{Viva} 的 RL 的结合使 OmniDiagram 在图表代码生成基准测试中建立了新的最先进（SOTA）水平。