A Figma treinou seu próprio modelo de IA para lidar com as pequenas edições do dia a dia que designers fazem em suas telas, e a empresa afirma que o modelo agora é uma parte central do agente da Figma, que foi disponibilizado para todos os usuários no início deste mês.

Quais edições o modelo próprio da Figma lida?

O foco está em trabalhos iterativos, e não em grandes saltos criativos. Designers ajustam espaçamentos, trocam uma cor ou reformulam um layout depois que alguém deixa um feedback. Cada mudança se baseia em decisões anteriores, e as edições são difíceis de verificar automaticamente. A Figma afirmou que a velocidade importa, já que uma edição que demora demais pode interromper o fluxo de trabalho que o agente deve apoiar.

Como a Figma treinou seu modelo de edição?

Quando a equipe começou, os modelos de fronteira não conseguiam entender a sintaxe da Figma. Fazer com que funcionassem exigiria prompts de sistema extensos, que consomem um grande número de tokens. Em vez disso, a Figma investiu em ajuste fino supervisionado. Cada exemplo de treinamento combinava um design inicial com uma solicitação de edição sintética e uma versão bem-sucedida da alteração. Os designs foram representados no formato de arquivo nativo da Figma, para que o modelo aprendesse a produzir alterações que a empresa pudesse aplicar diretamente de volta à tela. Para tarefas envolvendo ativos de sistemas de design, a equipe gerou prompts sintéticos cobrindo temas e componentes.

Modelos professores maiores tentaram essas edições, e seus candidatos foram verificados por validadores determinísticos e por juízes de modelos visuais. O pipeline de geração podia revisar uma edição com base no feedback dos avaliadores. A abordagem foi surpreendentemente longe. Um modelo Llama 3.3 70B anterior, treinado com mais de 250 mil exemplos, tornou-se competitivo em tarefas de edição com os principais modelos da época.

Desde então, a Figma passou a usar modelos base mais capazes, incluindo os novos modelos Qwen, Muse Spark Open e Inkling. A empresa também constatou limites em depender apenas do ajuste fino supervisionado. O aprendizado por imitação produz designs que se assemelham muito aos dados de treinamento, o que pode prejudicar a generalização. Ele também é menos eficiente em amostras, ou seja, exige muitos exemplos cobrindo as diferentes facetas de uma tarefa. A Figma agora investe em aprendizado por reforço como parte de sua mais recente receita de treinamento. O trabalho inclui melhores ambientes de aprendizado por reforço para design, uma gama mais ampla de exemplos de treinamento, modelos de recompensa e critérios escritos por especialistas que buscam refletir o que os designers realmente valorizam.

A Figma avalia modelos candidatos com base em várias métricas: quão bem funcionam dentro da Figma, quão fielmente seguem as instruções, se fazem alterações úteis em designs existentes e quão rápidos e baratos são na execução. Como a qualidade do design é parcialmente subjetiva, a empresa pontua cada dimensão separadamente. Um design pode ter bom alinhamento e contraste ruim. Uma edição pode parecer refinada e ainda assim não atender à solicitação. Erros comuns gerados por IA incluem ícones e textos sobrepostos, setas cortadas e elementos de texto sobrepostos. A Figma combina verificações estruturais com juízes visuais, e designers especialistas calibram e revisam os resultados. A empresa afirmou que essas avaliações são uma entre muitas variáveis na decisão sobre quais modelos usar em seu produto.

O agente agora executa tanto o modelo próprio da Figma quanto modelos líderes de terceiros, atribuindo a cada um o trabalho que ele faz melhor. Modelos de terceiros são usados em tarefas como geração de imagens, vetores e explorações de design inéditas. O modelo da Figma lida com edições precisas e iterações. O agente também depende do contexto da tela e do sistema de design, além de ferramentas que executam as alterações solicitadas.

Quão mais rápido é o novo agente da Figma?

Os resultados iniciais são animadores, afirmou a Figma. Mesmo entre as versões beta e de disponibilidade geral, as tarefas típicas ficaram cerca de 20% mais rápidas. Em testes diretos com designers especialistas, o novo agente supera ou iguala o agente de produção anterior em 62% das vezes. As avaliações dos usuários são 33% mais altas, e os usuários desfazem o trabalho do agente 60% menos. A Figma também afirmou que mais que dobrou a parcela de trabalho alimentada por seu modelo de design pós-treinado e reduziu o custo médio por mensagem. A empresa atribuiu esses ganhos a melhorias nos modelos, nas ferramentas e no harness.

A empresa apresentou o projeto como evidência de que modelos pós-treinados podem competir com modelos de fronteira em uma tarefa especializada. Começar com um problema restrito, segundo a Figma, permite transformar o progresso dos modelos em atualizações de produto que economizam tempo dos designers em edições repetitivas. A empresa também está contratando para funções voltadas a design e ao pós-treinamento de modelos para domínios não verificáveis. A Figma afirmou que treina seus modelos de forma a respeitar a privacidade e as preferências dos clientes.

Cet article a été rédigé avec l'assistance de l'IA.
News Factory APP - actualités agentiques pour booster votre SEO et AEO.