解锁潜在画布：在 LLM 中挖掘和基准测试符号视觉表达
计算机视觉与模式识别
2026-03-17 v1
摘要
当前的多模态方法主要将视觉生成视为外部过程，依赖像素渲染或代码执行，忽略了大型语言模型 (LLM) 内部固有的视觉表示能力。本文通过 ASCII 艺术，一种紧凑、高效且以文本为本质的视觉格式，挖掘了这种潜能。我们引入 SVE-ASCII，一个旨在纯文本空间中挖掘和基准测试符号视觉表达的统一框架。为解决系统资源稀缺的问题，我们构建了 ASCIIArt-7K 数据集，通过一种新颖的「种子-演化」管道合成，增强了通过上下文风格编辑所创建的人类精选锚点。我们进一步实施了统一的指令调优策略，同时优化生成（文本到 ASCII）和理解（ASCII 到文本）。关键的是，我们的实验揭示了关于任务二元性的关键现象：虽然已确立感知有助于生成，但我们提供了 compelling 证据表明生成性训练显著提升视觉理解。这确认了符号视觉处理中一种相互强化的循环，这种关系此前仅有假设而在视觉领域鲜有实证。我们公开了数据集、ASCIIArt-Bench 基准测试以及 SVE-ASCII 模型，为本地文本式视觉智能建立了稳健的基准。
引用
@article{arxiv.2603.14505,
title = {Unlocking the Latent Canvas: Eliciting and Benchmarking Symbolic Visual Expression in LLMs},
author = {Yiren Zheng and Shibo Li and Jiaming Liu and Haofan Wang and Yiren Song},
journal= {arXiv preprint arXiv:2603.14505},
year = {2026}
}