从手工绘制到生成式创作：面向 Alexa+ 的 RLVR 优化图标生成

arXiv:2611.06123v1 公告类型：交叉发布 摘要：配备屏幕的 Alexa+ 设备会在对话过程中显示动态图标，以视觉方式强化正在表达的内容。最初的这套图标由设计师逐一手工绘制，这种方式虽然能产出精美的作品，但耗时较长，也无法扩展到覆盖开放式对话中涉及的广泛话题。我们介绍了一条已部署于生产环境的自动化流水线，它仅凭文本描述即可生成这些矢量化动态图标，并根据用户正在进行的对话向其展示相关动画。该流水线将图标创作拆解为一系列阶段：图像生成、语义分解、矢量化、风格化和动画制作。其质量在第一个阶段——图像生成——就已决定，所有下游阶段都依赖于这一阶段。因此，我们重点改进这一最初且最关键的阶段。由于图标需要遵循严格的设计规范，并在小尺寸显示画布上渲染，生成结果往往不适合用于生产环境。由于不存在符合这些约束的线条图标数据集，监督微调并不可行。为此，我们设计了客观验证器，自动标记违反设计规范的生成结果，并利用这些验证器，通过基于可验证奖励的强化学习（RLVR）对流匹配图像生成模型进行微调。在独立于奖励模型的 VLM 评判器评估下，微调后的模型将通过率从 15.7% 提高到 58.7%，达到原来的 3.7 倍。训练后的模型和验证器均已部署到生产流水线中，其中验证器还在最终设计审核之前充当自动化质量关卡。