Figma 讲解如何训练专用画布编辑模型
核心亮点
Figma 工程副总裁 Josh Clemm 撰文,分享团队如何训练一个"懂 Figma"的编辑模型。文章的核心观点是:专用的后训练(post-training)可以媲美前沿模型——至少在"设计编辑"这一专门任务上。Figma agent 已于本月初全量上线,内置的正是这个自研编辑模型。
具体事件经过
Figma 的起点是一个聚焦任务:帮设计师修改画布上已有的作品——调间距、改颜色、按反馈重排布局。这些日常编辑往往零散、迭代、且难以验证(non-verifiable)。团队发现,早期前沿模型根本不懂 Figma 的语法,靠系统提示词硬撑既 token 昂贵又效果差,于是转向有监督微调(SFT)。
技术细节
训练样本把"起始设计 + 合成的编辑请求 + 成功修改示例"配对,并用 Figma 原生文件格式表示设计,使模型学会产出可直接应用回画布的改动。当任务涉及设计系统资产时,团队生成覆盖主题与组件的合成提示。随后用更大的教师模型尝试编辑,以确定性校验器与视觉模型评审员(含有效输出与请求满足度检查)把关,生成管线能根据评审反馈"自愈"修订。早期甚至用 25 万+ 样本训练的 Llama 3.3 70B 就能与当时顶尖模型竞争。近期团队转向 Qwen 3.8 27B 等更强基座,并引入强化学习(RL)弥补 SFT 泛化不足的短板,重点打磨设计域的 RL 环境与奖励模型。
与竞品对比
在内部 Figma 编辑评测 v3 中,Figma 自研模型(基于 Qwen 3.8 27B 后训练)得 77.8%,Sol 6.1 得 76.9%;且在从 beta 到 GA 期间,典型任务快约 20%,与专家设计师的对战胜率/平局达 62%,用户评分高 33%、撤销率低 60%。Figma 的策略是"第三方模型做图像生成/矢量等新探索,自研模型做精确迭代编辑"。
行业影响与适用场景
这篇文章对做垂直 AI 产品的团队很有启发:不必盲目追最大的前沿模型,针对高频、可验证场景做专用后训练,往往更便宜、更快、更可控。Figma 已把自研模型承担的工作占比翻倍以上,并降低了每条消息平均成本——证明"小模型 + 好数据 + 后训练"在专门领域能跑赢通用巨模型。