InternSVG：统一SVG全任务的多模态大模型，一站式实现矢量图理解、编辑与生成

一、InternSVG是什么？

InternSVG是由上海人工智能实验室联合上海交通大学、南京大学等机构研发，被ICLR 2026接收的开源项目，是一套面向SVG（可缩放矢量图形）全任务的“数据集-基准-模型”一体化综合套件。它基于多模态大语言模型（MLLM）架构，打破传统SVG任务孤立、数据碎片化的瓶颈，一站式实现SVG的语义理解、指令编辑与跨模态生成，为通用矢量图形AI建模提供了完整、高效、可扩展的解决方案。

项目核心定位是统一SVG建模，不再将理解、编辑、生成视为独立任务，而是通过一套模型、一套数据、一套评估体系完成全链路覆盖，同时兼顾静态图形（图标、插画、科学图表）与动态动画场景，是当前SVG AI领域最全面、最具工业落地价值的开源项目之一。

InternSVG并非单一模型，而是由三大核心模块构成的完整生态：

• SAgoge数据集：全球规模最大、覆盖最全面的SVG多模态数据集，超1600万训练样本，覆盖图标、长序列插画、科学图表、动态动画四大场景。

• SArena基准：配套标准化评测体系，含2类理解任务、10类编辑任务、4类生成任务，提供科学、统一的模型能力衡量标尺。

• InternSVG模型：基于InternVL3架构优化的多模态大模型，融入SVG专属词表与两阶段训练策略，支持全任务端到端输出。

二、功能特色

2.1 全任务统一覆盖，打破任务孤岛

区别于传统工具仅支持单一SVG任务（如仅生成、仅编辑），InternSVG实现三大核心任务全覆盖：

1. SVG理解：解析SVG代码语义、识别图形元素、提取结构与属性、判断场景用途，支持复杂矢量图的深度语义解读。

2. SVG编辑：支持低阶（颜色修改、尺寸调整、翻转、元素增删）、高阶（结构重构、样式迁移、动画参数修改）全维度编辑，指令精准可控。

3. SVG生成：支持文本生成（Text-to-SVG）、图像矢量化（Image-to-SVG）、视频转动画（Video-to-SVG）、科学图表生成等多模态生成，输出可直接编辑的标准SVG代码。

2.2 多场景全面适配，覆盖全品类SVG

覆盖SVG全主流应用场景，无场景局限：

• 图标场景：UI图标、功能图标、线性图标、填充图标等轻量化矢量图生成与编辑。

• 长序列插画：多元素、复杂结构的矢量插画、商业插画、场景插画，支持长序列代码生成。

• 科学图表：化学结构式、物理原理图、数据可视化图表、流程图等高精度、结构化矢量图。

• 动态动画：SVG SMIL动画、交互动画、序列动画，支持动态参数编辑与视频驱动动画生成。

2.3 高质量输出，兼顾精准性与可用性

• 代码标准规范：生成的SVG代码符合W3C标准，无语法错误、冗余代码少，可直接在浏览器、设计软件中打开编辑。

• 视觉保真度高：生成图形与指令/参考图语义一致、结构精准，线条流畅、比例协调，无失真、变形问题。

• 动态兼容性强：动画SVG适配主流浏览器，无卡顿、兼容性报错，支持交互事件触发。

2.4 开源可扩展，工业级易用性

• 完全开源：模型权重、数据集、评估基准、推理/训练脚本全部开源，支持商用（Apache 2.0协议）。

• 部署便捷：支持本地推理、LMDeploy高效部署，提供API封装，可快速集成到Web、APP、设计工具中。

• 适配广泛：支持单卡/多卡GPU运行，兼容主流深度学习框架，提供完整环境配置与依赖清单。

2.5 性能领先，超越主流闭源/开源模型

在SArena基准测试中，InternSVG在图标、插画、化学图表、动画四大子任务上，综合性能超越GPT-4o、Claude-4-Sonnet、Qwen2.5-VL、InternVL3等模型，尤其在编辑任务与动态动画生成上优势显著。

2.6 核心功能对比表

三、技术细节

3.1 整体架构：ViT-MLP-LLM统一范式

InternSVG采用视觉编码器-适配器-大语言模型的经典多模态架构，针对SVG任务深度优化：

• 视觉编码器：选用InternViT-300M，负责提取图像/视频的视觉特征，适配SVG的几何结构、线条、层级特征。

• SVG专属适配器：新增SVG专用词表与特征映射层，将视觉特征与SVG语法特征对齐，降低序列长度、保留几何结构。

• 语言模型基座：基于Qwen2.5-7B优化，作为核心推理引擎，处理文本指令、输出标准SVG代码。
  整体架构实现端到端统一建模，所有任务均以“文本+视觉输入→SVG代码输出”的统一范式完成，无需切换模型或流程。

3.2 SVG专属词表设计

标准分词器对SVG代码效率低下，InternSVG定制55个SVG专属Token，覆盖标签（<svg>、<path>、<circle>）、属性（fill、stroke、transform）、坐标指令（M、L、C）等核心语法元素。

• 优势：大幅缩短序列长度（减少30%+Token数），提升模型对SVG语法的理解精度，避免分词错误导致的代码语法问题。

• 初始化策略：采用子词嵌入初始化，将专属Token与自然语言语义关联，增强模型跨模态泛化能力。

3.3 两阶段渐进式训练策略

针对SVG复杂度差异（从简单图标到复杂动画），采用课程学习式两阶段训练：

1. 第一阶段（基础锚定）：训练简单、短序列SVG（图标、化学结构式），让模型掌握SVG基础语法、元素结构、语义对应关系。

2. 第二阶段（复杂扩展）：引入长序列插画、动态动画，平衡多领域样本分布，避免过拟合，提升复杂场景生成与编辑能力。

3.4 SAgoge数据集：大规模高质量支撑

SAgoge是InternSVG的核心数据底座，具备四大特点：

• 规模超大：超1600万训练样本，是此前最大SVG数据集的8倍以上。

• 维度全面：含文本-SVG、图像-SVG、视频-SVG、SVG-SVG多模态配对，覆盖理解、编辑、生成全任务样本。

• 结构丰富：包含SVG层级结构、属性参数、动画标签、交互事件，深度贴合真实应用场景。

• 质量可控：经多轮人工校验与代码清洗，无无效样本、语法错误样本，保证训练有效性。

3.5 SArena基准：科学评估体系

SArena构建标准化任务定义+多维度评估指标，解决SVG领域评测碎片化问题：

• 任务体系：2类理解（语义识别、结构解析）、10类编辑（属性修改、元素增删、样式迁移、动画调整等）、4类生成（文本生成、图像矢量化、视频转动画、科学图生成）。

• 评估指标：

• 视觉指标：FID、LPIPS、SSIM（衡量视觉相似度）。

• 语法指标：SVG语法正确率、冗余率、可编辑率。

• 语义指标：指令遵循率、元素匹配度、场景准确率。

四、应用场景

4.1 UI/UX设计领域

• 快速图标生成：设计师输入“线性风格的主页图标”“渐变填充的设置按钮”，一键生成可编辑SVG图标，适配移动端、Web端。

• 界面矢量元素编辑：批量修改UI图标颜色、尺寸、线条粗细，快速适配不同主题（深色/浅色模式）。

• 交互动画制作：生成按钮点击、页面切换的SVG交互动画，直接嵌入前端代码。

4.2 数据可视化与科学研究

• 学术图表生成：根据论文数据、实验描述，生成化学结构式、物理原理图、生物流程图，符合出版级精度。

• 数据看板制作：生成柱状图、折线图、饼图等矢量数据图表，支持动态数据更新、样式自定义。

• 科研素材编辑：快速修改已有科学SVG图表的参数、标注、样式，提升科研效率。

4.3 前端开发与Web设计

• 网页矢量素材生成：生成网页背景、装饰元素、Banner矢量图，无失真、加载快。

• 响应式图形适配：生成的SVG支持任意尺寸缩放，适配PC、平板、手机全终端。

• 动态SVG组件开发：快速开发SVG动画组件、交互图表，减少前端开发工作量。

4.4 创意设计与内容创作

• 矢量插画生成：根据文本描述生成商业插画、绘本插画、海报矢量元素，支持风格迁移（卡通、写实、线性）。

• Logo设计优化：生成Logo矢量初稿，快速编辑颜色、形状、布局。

• 动态海报制作：生成带动画效果的矢量海报，适配社交媒体传播。

4.5 工业与教育场景

• 工业原理图生成：生成机械结构、电路连接SVG示意图，支持参数化编辑。

• 教育课件制作：生成学科知识点矢量图、动态演示动画，适配在线教育平台。

五、使用方法

5.1 环境部署（本地推理）

5.1.1 基础环境配置

# 克隆仓库
git clone https://github.com/hmwang2002/InternSVG.git
cd InternSVG

# 创建Conda环境
conda create -n internsvg python=3.9 -y
conda activate internsvg

# 安装核心依赖
pip install -r requirements.txt

# 安装CLIP等额外依赖
pip install git+https://github.com/openai/CLIP.git

5.1.2 模型权重下载

从HuggingFace下载InternSVG-8B权重：

git lfs install
git clone https://huggingface.co/InternSVG/InternSVG-8B

5.2 核心功能使用

5.2.1 文本生成SVG（Text-to-SVG）

from utils.api import InternSVGAPI

# 初始化模型
model = InternSVGAPI(
  model_path="./InternSVG-8B",
  device="cuda" # 支持cuda/cpu
)

# 生成指令
prompt = "生成一个线性风格的搜索图标，蓝色线条，尺寸24x24，圆角设计"

# 生成SVG
svg_code = model.text_to_svg(prompt)

# 保存文件
with open("search_icon.svg", "w", encoding="utf-8") as f:
  f.write(svg_code)

5.2.2 图像矢量化（Image-to-SVG）

# 图像路径
image_path = "./reference.png"

# 矢量化
svg_code = model.image_to_svg(image_path, detail="high") # high/medium/low精度

# 保存
with open("vectorized.svg", "w", encoding="utf-8") as f:
  f.write(svg_code)

5.2.3 SVG编辑

# 读取待编辑SVG
with open("origin.svg", "r", encoding="utf-8") as f:
  origin_svg = f.read()

# 编辑指令
edit_prompt = "将图形颜色改为红色，线条粗细从1px改为2px，整体放大1.5倍"

# 执行编辑
edited_svg = model.edit_svg(origin_svg, edit_prompt)

# 保存
with open("edited.svg", "w", encoding="utf-8") as f:
  f.write(edited_svg)

5.2.4 脚本快速调用

仓库提供预写推理脚本，无需编写代码：

# 文本生成SVG
python scripts/inference/text_to_svg.py \
  --model_path ./InternSVG-8B \
  --prompt "生成绿色的下载按钮图标" \
  --output ./output.svg

# 图像矢量化
python scripts/inference/image_to_svg.py \
  --model_path ./InternSVG-8B \
  --image ./test.png \
  --output ./vector.svg

5.3 模型评估

使用SArena基准评估模型性能：

python scripts/evaluate/run_sarena.py \
  --model_path ./InternSVG-8B \
  --benchmark icons # 可选：icons/illustrations/chemistry/animations

5.4 工业部署（LMDeploy）

# 安装LMDeploy
pip install lmdeploy

# 启动API服务
lmdeploy serve api_server InternSVG/InternSVG-8B --server-port 8000

启动后可通过HTTP请求调用模型，支持批量、高并发推理。

六、竞品对比

当前SVG AI领域主要分为闭源通用模型、开源专用模型、传统SVG工具三类，InternSVG在综合能力上具备显著优势：

6.1 核心竞品对比表

6.2 核心差异分析

1. 与闭源模型（GPT-4o）对比
   InternSVG完全开源、支持私有化部署，无API调用费用、无数据隐私风险；在SVG编辑、动态动画、科学图表生成上性能显著领先，代码可编辑性更强。闭源模型仅能在线调用，成本高、无法定制，且SVG专业能力弱。

2. 与开源专用模型（StarVector/UniSVG）对比
   StarVector、UniSVG仅支持生成/基础理解，无完整编辑能力、不支持动态动画；InternSVG覆盖全任务、全场景，数据集规模更大、评测体系更完善，综合性能领先10%-20%。

3. 与传统SVG工具对比
   传统工具依赖规则引擎，无智能理解、编辑能力，生成图形风格单一、结构僵化；InternSVG基于大模型，支持自然语言指令、多模态输入、风格自适应，灵活性与质量远超传统工具。

七、常见问题解答

Q1：InternSVG支持的SVG版本有哪些？

A1：支持SVG 1.1 Full标准，兼容主流浏览器（Chrome、Firefox、Safari）与设计软件（Figma、Illustrator、Sketch），同时支持SMIL动画规范，动态SVG兼容性良好。

Q2：本地运行InternSVG需要什么硬件配置？

A2：最低配置：16GB内存+10GB显存GPU（NVIDIA）；推荐配置：32GB内存+24GB显存GPU（A10、A100、3090Ti等）；无GPU可使用CPU推理，但速度较慢（生成1张图标约10-30秒）。

Q3：生成的SVG代码可以直接用于商业项目吗？

A3：可以。InternSVG采用Apache 2.0开源协议，允许商用、修改、分发，生成的SVG代码版权归用户所有，可用于商业产品、网站、设计项目。

Q4：如何提升复杂SVG的生成质量？

A4：① 指令更详细：明确风格、尺寸、颜色、元素、布局；② 选择高精度模式（detail="high"）；③ 复杂场景分步骤生成（先生成布局，再编辑细节）；④ 使用参考图辅助（Image-to-SVG）。

Q5：模型支持批量生成/编辑吗？

A5：支持。本地脚本可编写循环逻辑批量处理；LMDeploy部署后支持HTTP批量请求，单服务可支持每秒5-10次并发推理。

Q6：可以微调InternSVG适配自定义场景吗？

A6：可以。仓库提供scripts/training/目录下的微调脚本，支持基于自定义SVG数据集微调，需准备文本-SVG配对样本，遵循两阶段训练策略即可。

Q7：生成的SVG有冗余代码，如何优化？

A7：仓库提供utils/simplify_svg.py工具，可一键去除冗余代码、压缩路径、优化属性；也可通过SVGO配置文件（svgo/config.mjs）进一步优化。

Q8：支持中文指令生成SVG吗？

A8：支持。模型训练时融入多语言样本，完美支持中文、英文指令，语义理解准确，无语言障碍。

八、相关链接

• GitHub仓库：https://github.com/hmwang2002/InternSVG

• 模型权重（HuggingFace）：https://huggingface.co/InternSVG/InternSVG-8B

• SAgoge数据集：https://huggingface.co/datasets/InternSVG/SAgoge

• SArena基准：https://huggingface.co/datasets/InternSVG/SArena

• 项目论文（ICLR 2026）：https://arxiv.org/pdf/2510.11341

• 项目官网：https://hmwang2002.github.io/release/internsvg/

九、总结

InternSVG作为上海人工智能实验室推出的ICLR 2026开源成果，是当前SVG AI领域首个实现“数据集-基准-模型”全链路覆盖、统一支持理解/编辑/生成全任务、兼顾静态图形与动态动画全场景的综合套件，凭借SAgoge超大规模高质量数据集、SArena科学评测体系、定制化多模态架构与两阶段训练策略，在综合性能上超越主流闭源与开源模型，同时具备完全开源、部署便捷、商用友好、可扩展可微调的工业级优势，覆盖UI设计、科学研究、前端开发、创意创作、工业教育等全场景SVG需求，彻底解决传统SVG工具能力单一、通用模型专业度不足、数据与评测碎片化的行业痛点，为矢量图形AI技术落地提供了完整、高效、可靠的解决方案，是开发者、设计师、科研人员处理SVG任务的首选开源工具。