arXiv 於 2026 年 9 月 21 日（週一）18:16:40 UTC 收錄了預印本論文《RULER: Instance-aware Rubric Rewards for SVG Generation》（RULER：面向 SVG 生成的例項感知評分量表獎勵），編號 arXiv:2609.25270v1，屬於計算機視覺與模式識別（cs.CV）分類。第一作者為 Hangyu Ran，另有四位合著者。論文全文約 842 KB，DOI 為 10.48550/arXiv.2609.25270，專案主頁為 https://hangyuran.github.io/RULER/。
論文要解決的問題是：從自然語言指令生成可縮放向量圖形（SVG）程式碼，本質上是一項開放式任務，不存在絕對的視覺真值。這一特性使得評估與策略最佳化都缺乏可靠的訓練訊號。作者指出，當前常用的標量指標（如 CLIP、Aesthetic）是在自然影像上校準的，遷移到風格化向量內容時表現很差；而若直接把這些標量指標當作強化學習（RL）的獎勵，則會觸發獎勵駭客（reward hacking）——模型會去迎合指標的偏好，而不是真正提升生成質量。論文試圖同時化解這兩個侷限，思路是改用基於評分量表（rubric）的打分方式。
在方法之前，作者先做了實證驗證：讓視覺語言評判模型（judge VLM）依據一個多軸評分量表進行打分，其與人類判斷的相關性遠高於標量指標，這一結論在跨樣本比較與同一指令內部比較兩種設定下都成立。也就是說，量表式評判不僅能在不同指令之間區分好壞，還能在同一條指令的多個候選輸出之間給出與人類一致的排序，這正是 RL 獎勵所需要具備的性質。
基於這一發現，作者提出 RULER（Instance-aware Rubric Rewards for Reinforcement Learning）。其核心做法是：把每一條生成指令轉換成一份「例項感知」的評分量表，量表共包含六個條目，覆蓋語義、視覺與風格三類軸。隨後由評判 VLM 對渲染出來的各個 rollout 逐項打分，各條目滿足度經過加權後構成一個細粒度的獎勵訊號，再透過 Group Relative Policy Optimization（GRPO）進行策略最佳化。關鍵之處在於，量表完全由文本指令推導而來，因此 RULER 既不需要成對的 SVG 真值標註，也不需要人類偏好標籤，避免了昂貴且難以規模化的人工標註環節。
實驗結果在兩個基準上給出：在 MMSVG-Illustration 與 MMSVG-Icon 上，RULER 將量表得分分別從 0.432 和 0.395 提升至 0.693 和 0.683。這一結果不僅超過了專門的 SVG 生成專用模型，還追平了規模顯著更大的 DeepSeek-V3。考慮到後者的引數量與訓練資源遠超 RULER 所依賴的模型，這一對比說明獎勵訊號的重新設計能夠帶來可觀的收益。
論文進一步透過消融實驗說明，量表設計本身才是開放式 SVG 生成任務上強化學習的有效槓桿：改進量表的結構與條目，會直接改變 RL 的最佳化方向與最終質量，而不是依賴更大的模型規模或更多的監督資料。
從更廣的意義上看，這項工作為「無絕對真值的生成任務」如何構造可最佳化的獎勵提供了一個可複用的正規化：先把抽象的質量標準顯式化為多軸、逐條目的量表，再讓視覺語言模型充當評判者，把語言層面的標準轉化為可微調、可比較的數值獎勵。論文同時提及可獲取的資源入口，包括 PDF 全文、實驗性 HTML 版本與 TeX 原始碼，並標註了許可資訊。需要留意的是，其結論所覆蓋的資料集為 MMSVG-Illustration 與 MMSVG-Icon，評測依賴評判 VLM 自身的判斷能力，量表條目固定為六項，這些設定構成了當前結果的適用邊界。論文瀏覽上下文為 cs.CV，收錄於 2026 年 9 月。