标量指标不适配矢量图：RULER用实例感知量规奖励优化SVG代码生成

从自然语言生成 SVG 代码是一项开放式任务，没有绝对的视觉真值，评测和策略优化因此都缺少忠实信号。在自然图像上校准的 CLIP、Aesthetic 等标量指标，迁移到风格化矢量内容时表现不佳；把它们直接当作强化学习奖励，还会触发 reward hacking。RULER 用基于量规的打分同时应对评测失真和奖励被刷这两个问题。

标量指标为什么不够用

SVG 生成没有唯一正确画面，标量分数又是为自然图像标定的。材料给出的经验结论是：用多轴量规去提示视觉语言模型裁判，其打分与人类判断的相关性远好于标量指标，而且这种优势既体现在不同样本之间，也体现在同一条指令内部的比较上。换句话说，量规不是事后解释分数，而是更接近人怎么看一张矢量图。

RULER 的奖励构造

RULER 全称 Instance-aware Rubric Rewards for Reinforcement Learning。它对每条指令单独生成一份实例感知量规，共六项，覆盖语义、视觉和风格三个轴。裁判 VLM 对渲染后的 rollout 逐项打分，再把加权满足度合成细粒度奖励，用 Group Relative Policy Optimization 更新策略。因为量规只从文本推出，所以既不需要配对 SVG 真值，也不需要人类偏好标签。这把开放式生成里最贵的监督信号省掉了。

数字与消融

在 MMSVG-Illustration 和 MMSVG-Icon 上，量规分数从 0.432/0.395 提升到 0.693/0.683，超过专门的 SVG 模型，并与规模明显更大的 DeepSeek-V3 持平。消融把有效杠杆指向量规设计本身，而不是笼统地上了强化学习。摘要没有展开训练步数、裁判模型选择和各项权重如何设定，结论应读作「在这套量规分数上有效」，而不是已经解决了 SVG 生成的全部评测问题。

我的判断

RULER 的价值很具体：在没有视觉真值的代码生成上，用实例级量规替代容易被刷的标量奖励，而且监督几乎只来自指令文本。适用边界也清楚——任务得能渲染成图、得有还算靠谱的 VLM 裁判、量规轴得覆盖你真正在乎的语义和风格。局限同样直接：公开数字主要是量规分本身，用同一套量规既当优化目标又当报告指标，存在自洽偏高的可能；与 DeepSeek-V3 持平也只限于这两个 MMSVG 子集上的量规分，不能外推到通用作图或生产可用性。量规从文本生成，复杂构图、文字排版、几何约束会不会漏检，摘要没有证据。对做开放式视觉强化学习的人，可借鉴的是先验证量规与人类相关，再拿去 GRPO，而不是把六条轴当成固定配方。