混元-visual2code预训练数据构建范式研究

课题背景： 现有多模态大模型的"视觉→代码"能力大多依赖蒸馏合成数据训练，图-码配对与真实工程实践中的原生代码分布严重脱节。这导致模型在复杂版式、深层结构与可执行可编辑性上普遍失真，难以把一张扁平截图真正还原为可渲染、可验证、可继续编辑的交付产物。这种能力缺口限制了其在AI For Working/Gaming等真实场景中的落地，阻碍了通用Visual2Code能力的演进。 课题挑战：

1. 01

   原生挖掘与渲染验证：真实原生的图-码配对散落在网页、开源仓库、PPTX与移动端安装包中，需跨SVG/PPT/Web/UI/图表等异构技术栈搭建可批量执行的渲染回环，代码重组成功率低、渲染环境依赖繁重，规模化极具挑战。

2. 02

   多样性度量与评测基准：不同topic的代码分属不同抽象层级与编程范式，同一视觉内容还会跨表示重复，需在视觉内容层重建多样性度量与配比口径；业界benchmark又普遍陈旧饱和、缺少对原生可执行代码的评估，需从零建立科学合理的评价体系。 具体工作： 构建覆盖SVG2Code、PPP2Code、Web2Code、UI2Code、Plot2Code、3D2code、CAD2code的超大规模原生图-码配对数据集并探索最佳配比；建设中间表示、渲染验证链路与资产库；重建多样性度量体系与Visual2Code综合评测基准；助力模型端到端实现从视觉输入到可执行、可编辑代码的生成。

1. 01

   计算机/软件工程等相关专业硕士及博士；

2. 02

   熟悉计算机视觉、多模态领域的相关研究工作和算法，需要以第一作者身份发表多篇顶会论文，顶级研究机构或一线互联网工作经验加分；

3. 03

   熟练使用Python、PyTorch和CUDA等语言及工具，具备快速阅读和复现论文的能力；

4. 04

   具备优秀的分析和解决问题能力，良好的团队合作精神及沟通意识。