PrismaCoder: los modelos abiertos de 9B y 35B alcanzan a los cerrados en generación de código visual

Los modelos abiertos para programación multimodal suman tres artefactos de golpe: el pipeline de datos PrismaForge, el dataset PrismaCoder-2M y dos modelos entrenados con él, PrismaCoder-9B y PrismaCoder-35B. Los autores describen PrismaCoder-2M como el conjunto abierto más diverso y más grande para código multimodal. Según sus propias evaluaciones, los modelos lideran con amplio margen entre las soluciones abiertas y compiten con los principales sistemas propietarios. El código y los datos están publicados.

Por qué es tan difícil verificar el «código que parece correcto»

El código multimodal une el mundo simbólico de los programas con el mundo visual que generan al ejecutarse. Cada vez se exige más a los modelos que produzcan gráficos, páginas web, animaciones y documentos semiestructurados. Los sistemas cerrados ya saben construir artefactos interactivos a partir de una descripción de texto o de una sola captura de pantalla. Pero sus datos y su entrenamiento no son accesibles, así que la comunidad abierta se topa con la cantidad y la calidad de los ejemplos de entrenamiento y con la forma de obtenerlos.

La calidad es aquí más difícil que la cantidad. Una buena muestra debe ser a la vez un programa correcto, estar bien escrita y, sobre todo, verse bien tras el renderizado. Las señales existentes cubren esos requisitos solo por separado. La ejecución suele aportar un único bit: pasa o falla. La similitud del código con una referencia refleja mal la imagen final, porque dos programas muy distintos pueden dibujar lo mismo, mientras que otros casi idénticos dan resultados diferentes. Y los verificadores diseñados para una tarea concreta no se trasladan a otras.

La rúbrica como filtro y como recompensa

PrismaForge es un pipeline jerárquico con una rúbrica sintetizada en su centro. Esa rúbrica descompone tres factores de calidad en criterios verificables. La idea es convertir una valoración general de «bien o mal» en un conjunto de preguntas concretas sobre una muestra concreta.

La misma rúbrica cumple dos funciones. Primero selecciona los datos para el aprendizaje supervisado y da forma al corpus PrismaCoder-2M. Después actúa como recompensa en la fase de aprendizaje por refuerzo con tareas de programación visual. Esta unión resuelve un problema habitual: que el filtro de datos y la señal de RL midan la calidad con raseros distintos y el modelo acabe optimizando en la dirección equivocada.

Otro resultado de los autores se refiere a la transferibilidad. Su análisis muestra que el pipeline basado en rúbricas mejora la programación multimodal en distintas arquitecturas base. Por tanto, el efecto se debe al propio enfoque de datos y recompensas, y no a las particularidades de un solo modelo.

Qué se ha publicado exactamente

• PrismaForge: pipeline jerárquico de síntesis y filtrado de datos basado en una rúbrica descompuesta.
• PrismaCoder-2M: dataset abierto para código multimodal que, según los autores, es el más diverso y el más grande hasta la fecha.
• PrismaCoder-9B y PrismaCoder-35B: dos modelos entrenados con estos datos, con publicación de los pesos.
• El código y los datos están disponibles en la página del proyecto.
• Ámbito de tareas: gráficos, páginas web, animaciones y documentos semiestructurados.

Qué aporta a desarrolladores y equipos

El principal valor del lanzamiento es la apertura de toda la cadena. Hasta ahora se podía descargar un modelo, pero no saber con qué ni cómo se había entrenado. Ahora están disponibles los datos, el método de filtrado y la rúbrica, que se puede adaptar a tareas propias. Para los equipos que desarrollan herramientas de generación de dashboards, landing pages o informes, supone la posibilidad de afinar un modelo con sus propios datos usando el mismo mecanismo de evaluación.

El tamaño de los modelos también tiene sentido práctico. El de 9B se puede ejecutar, con cuantización, en una sola GPU de consumo o profesional, lo que encaja en escenarios locales y en el trabajo con código sensible. El de 35B está pensado para una infraestructura más seria, pero sigue en una clase al alcance de equipos pequeños, y no únicamente de laboratorios con clústeres enormes.

Las rúbricas como señal universal también pueden aplicarse fuera del código visual. Cualquier tarea cuyo resultado deba evaluarse en varios ejes independientes, desde interfaces hasta generación de documentos, obtiene una plantilla: descomponer la calidad en criterios verificables, filtrar los datos con ellos y usarlos también como recompensa. Conviene comprobar con tareas propias las afirmaciones de paridad con los sistemas propietarios, sobre todo en páginas interactivas complejas. Aun así, la comunidad abierta cuenta ahora con un punto de partida reproducible.