Naukowcy trenują modele AI takie jak Qwen do generowania kodu zdolnego do tworzenia wizualizacji i grafik. Zamiast tradycyjnego podejścia, gdzie AI pracuje głównie na tekście, ta metoda uczy model pisać kod - na przykład Python z bibliotekami graficznymi - który produkuje obrazy i wizualne reprezentacje na podstawie instrukcji tekstowych.
Takie połączenie otwiera interesujące perspektywy dla automatyzacji kreatywnych procesów. Model może nauczyć się nie tylko rozumieć koncepty wizualne, ale też tłumaczyć je na konkretny kod, co jest przydatne w designzie, danych science i aplikacjach wymagających generowania grafik. To pokazuje, jak duże modele językowe można elastycznie adaptować poza standardowe zastosowania czatbotów i tekstowych asystentów.
Podejście to stanowi przykład fine-tuningu LLM do specjalistycznych zadań. Zamiast szkolić osobny model od zera, naukowcy biorą istniejący model i trenują go na datasetach kodowych z fokusu na generowanie instrukcji wizualnych. To efektywniej niż tradycyjne metody i pokazuje rosnącą elastyczność współczesnych architektur AI w adaptacji do nowych domen problemowych.