論文の概要: Design Anything, Design at Scale

• arxiv url: http://arxiv.org/abs/2610.24771v1
• Date: Sat, 17 Oct 2026 16:29:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-22 16:22:19.010877
• Title: Design Anything, Design at Scale
• Title（参考訳）: スケールで設計する
• Abstract要約: これは、設計意図をモデル外に保持し、成果物をワークフローステップにバインドするグラフベースのハーネスです。 タスク契約は制約と決定を保持し、選択された設計は後代の明示的な入力となり、決定論的コントローラはバインディングと実行レコードを使用する。 また、DesignAnything-Benchも導入しています。19の設計ドメインに228のタスクがあり、6, 14, 24の成果物の38のプロジェクトファミリが含まれています。
• 参考スコア（独自算出の注目度）: 16.50985252308416
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As multimodal resources are transformed into media outputs, agentic AI is expected to stay aligned with design intent over long horizons. Designers follow briefs specifying goals, constraints, and deliverables, with later work building on earlier decisions. Recent work reuses design experience across tasks, yet alignment among artifacts within one project remains challenging. Agents therefore need to preserve and apply this intent across domains and as projects grow. We introduce Design Anything, a graph-based harness that preserves design intent outside the model and binds deliverables to the workflow steps that produce them through an intent-execution graph. A task contract retains constraints and decisions, selected designs become explicit inputs to later generations, and a deterministic controller uses bindings and execution records to check output types and counts, identify outstanding deliverables, and guide subsequent turns. We also introduce DesignAnything-Bench, with 228 tasks across 19 design domains, including 38 project families at scales of 6, 14, and 24 artifacts. With the LLM held fixed, Design Anything satisfies 85.0% and 92.5% of the brief's factual constraints with DeepSeek V4.1 Flash High and GPT-5.6 Sol High, respectively, exceeding the strongest same-model baselines by 15.4% and 14.4%. These gains reach 25.1% and 23.0% on 24-artifact tasks. Under each model, Design Anything leads or ties in constraint satisfaction in 18 of 19 domains. Professional designers also prefer its complete deliverable sets over those of same-model baselines in a blind evaluation.
• Abstract（参考訳）: マルチモーダルリソースがメディア出力に変換されるため、エージェントAIは長い地平線上での設計意図と一致し続けることが期待されている。 設計者は、目標、制約、成果物を指定するブリーフに従う。 最近の作業はタスク間でデザインエクスペリエンスを再利用しますが、ひとつのプロジェクト内のアーティファクト間の整合は難しいままです。 したがってエージェントは、ドメインやプロジェクトが成長するにつれて、この意図を保存し、適用する必要があります。 これは、モデル外の設計意図を保存し、インテント・エグゼクティブグラフを通じてそれらを生成するワークフローステップに成果物をバインドするグラフベースのハーネスです。 タスクコントラクトは制約と決定を保持し、選択された設計は後代に明示的な入力となり、決定論的コントローラはバインディングと実行レコードを使用して出力タイプとカウントをチェックし、優れた成果物を特定し、その後のターンを案内する。 また、DesignAnything-Benchも導入しています。19の設計ドメインに228のタスクがあり、6, 14, 24の成果物の38のプロジェクトファミリが含まれています。 LLMが固定され、Design AnythingはDeepSeek V4.1 Flash HighとGPT-5.6 Sol Highとの実際の制約の85.0%と92.5%を満足し、それぞれ15.4%と14.4%という最強の同モデルベースラインを超えた。 これらの利得は24項目のタスクで25.1%と23.0%に達する。 各モデルでは、Design Anythingは19のドメインのうち18の制約満足度を導いたり結び付けたりします。 プロのデザイナーは、ブラインド評価において同じモデルベースラインの製品よりも完全な納品セットを好む。

関連論文リスト

• A-SAW: The Agentic Software Architecture Workflow [3.7702547956416996]
  Agentic Software Architecture (A-SAW)は、Processic as Codeを永続的なエージェント層で拡張するプロセスレベルのアーティファクトである。 すべてのドラフトは、承認される前に必須のヒューマンレビューゲートをパスします。
  論文  参考訳（メタデータ） (2026-10-09T14:25:24Z)
• Omni-IO Skills: Harnessing Your Agent Omni-Native [44.39194142852739]
  汎用エージェントは、長い地平線を計画し、推論し、行動することができる。 生産能力はテキスト、画像、オーディオ、ビデオ、ドキュメント、3Dアセット、コードで断片化されている。 Omni-IO Skillsは,既存のエージェントをオムニティブにするプラグイン・アンド・プレイエージェントのHarnessを提供する。
  論文  参考訳（メタデータ） (2026-09-25T18:00:16Z)
• Figma2Code: Automating Multimodal Design to Code in the Wild [85.29510079067464]
  我々はFigma2Codeを紹介した。Figma2Codeは、デザインからコードへ、マルチモーダルな設定に進化させる新しいタスクである。 我々はFigmaコミュニティからペアデザインイメージとそのメタデータファイルを収集する。 このプロセスは3,055個のサンプルを生成し、そこからデザイナーは213の高品質なケースのバランスのとれたデータセットをキュレートする。
  論文  参考訳（メタデータ） (2026-04-15T09:17:09Z)
• Model Specific Task Similarity for Vision Language Model Selection via Layer Conductance [92.72779885657373]
  本稿では,視覚エンコーダの内部関数力学におけるモデル選択の基盤となるフレームワークを提案する。 提案手法は,各タスクをレイヤワイドコンダクタンスにより表現し,エントロピー正規化アライメントによる目標条件付きブロック重要度分布を導出する。 そこで本研究では,DCD(Directional Conductance Divergence)という,ソースタスクが対象の機能ブロックをいかに効果的にカバーするかを定量化する非対称な指標を提案する。
  論文  参考訳（メタデータ） (2026-02-01T17:29:43Z)
• LENS: Multi-level Evaluation of Multimodal Reasoning with Large Language Models [59.0256377330646]
  Lensは3.4Kの現代画像と8つのタスクと12の日次シナリオをカバーする60K以上の人間による質問のベンチマークである。 このデータセットは本質的に、基本的な知覚から構成的推論に至るまで、画像不変のプロンプトを処理するためのMLLMの評価をサポートする。 我々は,Qwen2.5-VL-72B,InternVL3-78B,GPT-4oおよび2つの推論モデルQVQ-72B-previewとKim-VLなどの15以上のフロンティアMLLMを評価する。
  論文  参考訳（メタデータ） (2025-05-21T15:06:59Z)
• GRAPE: Generalizing Robot Policy via Preference Alignment [58.419992317452376]
  GRAPE: 優先度アライメントによるロボット政策の一般化について述べる。 GRAPEはドメイン内および未確認操作タスクにおける成功率をそれぞれ51.79%、58.20%向上させる。 GRAPEは安全性や効率、衝突速度の37.44%、ロールアウト長さの11.15%といった様々な目標に合わせることができる。
  論文  参考訳（メタデータ） (2024-11-28T18:30:10Z)
• Architext: Language-Driven Generative Architecture Design [1.393683063795544]
  Architextは、大規模な言語モデルに入力として与えられる自然言語プロンプトのみを持つ設計生成を可能にする。 我々は,多くの事前学習言語モデルに対する意味的精度と多様性に着目し,Architextのダウンストリームタスク性能を徹底的に定量的に評価する。 Architextモデルは、特定の設計タスクを学習し、有効な住宅レイアウトを100%近い速度で生成することができる。
  論文  参考訳（メタデータ） (2023-03-13T23:11:05Z)
• Efficient Automatic Machine Learning via Design Graphs [72.85976749396745]
  最適なモデル設計を探索する効率的なサンプルベース手法であるFALCONを提案する。 FALCONは,1)グラフニューラルネットワーク(GNN)を介してデザイングラフ上でメッセージパッシングを行うタスク非依存モジュール,2)既知のモデル性能情報のラベル伝搬を行うタスク固有モジュールを特徴とする。 FALCONは,30個の探索ノードのみを用いて,各タスクに対して良好な性能を持つ設計を効率的に得ることを実証的に示す。
  論文  参考訳（メタデータ） (2022-10-21T21:25:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。