SVGenius：用于 SVG 流理解、编辑与生成的基准测试
计算机视觉与模式识别
2025-06-04 v1 人工智能
摘要
大语言模型（LLM）和多模态 LLM 在 SVG 处理方面展现出前景，但现有基准测试存在实用覆盖范围有限、缺乏复杂度分层、评估范式碎片化等问题。我们引入 SVGenius，一个涵盖 2,377 个查询的综合性基准测试，沿三个渐进维度：理解、编辑和生成。基于来自 24 个实际应用领域的真实数据，进行系统性复杂度分层，SVGenius 通过 8 个任务类别和 18 个指标评估模型。我们评估了 22 个主流模型，涵盖不同规模、架构、训练范式和可及性水平。我们的分析表明，虽然专有模型显著优于开源模型，但所有模型在复杂度增加时均表现出系统性性能下降，表明当前方法存在根本性局限；然而，基于推理增强的训练比纯粹扩张更有效于克服这些局限，尽管风格迁移是所有模型类型中最具挑战性的能力。SVGenius 建立了 SVG 处理的首个系统评估框架，为开发更具能力的矢量图形模型和推进自动化图形设计应用提供了关键见解。附录和补充材料（包括所有数据和代码）可在 https://zju-real.github.io/SVGenius 获取。
引用
@article{arxiv.2506.03139,
title = {SVGenius: Benchmarking LLMs in SVG Understanding, Editing and Generation},
author = {Siqi Chen and Xinyu Dong and Haolei Xu and Xingyu Wu and Fei Tang and Hang Zhang and Yuchen Yan and Linjuan Wu and Wenqi Zhang and Guiyang Hou and Yongliang Shen and Weiming Lu and Yueting Zhuang},
journal= {arXiv preprint arXiv:2506.03139},
year = {2025}
}
备注
19 pages,4 figures, Project page: https://zju-real.github.io/SVGenius, Code: https://github.com/ZJU-REAL/SVGenius-Bench