Design Anything удерживает бриф в больших проектах: +25% на 24 артефактах

Агент, который умеет нарисовать один хороший логотип, ещё не дизайнер. Настоящий проект состоит из десятков связанных артефактов: логотип, палитра, упаковка, соцсети, презентация. Каждый следующий опирается на решения предыдущих. Именно здесь агенты обычно ломаются: к двадцатому файлу бриф забыт, а цвета уже не совпадают. Команда авторов Design Anything предложила обвязку, которая решает эту проблему архитектурно. При фиксированной LLM она выполняет 85,0% фактических ограничений брифа с DeepSeek V4.1 Flash High и 92,5% с GPT-5.6 Sol High. Сильнейшие базовые схемы на тех же моделях отстают на 15,4% и 14,4%. На самых длинных задачах разрыв увеличивается до 25,1% и 23,0%.

Память о брифе живёт в графе, а не в контексте

Идея простая: замысел нельзя оставлять внутри контекстного окна модели. Окно переполняется, детали размываются, ранние решения вытесняются свежими. Поэтому Design Anything выносит намерение наружу и хранит его в intent-execution graph. Этот граф связывает каждый результат с тем шагом процесса, который его породил.

Механика состоит из трёх частей:

• task contract сохраняет ограничения и принятые решения проекта;
• выбранные варианты дизайна становятся явными входными данными для следующих генераций;
• детерминированный контроллер по привязкам и записям выполнения проверяет типы и количество выходных файлов, находит недоделанные позиции и направляет следующий ход агента.

Ключевое слово здесь «детерминированный». Контроллер не просит модель честно оценить, всё ли сделано. Он считает по записям. Если в брифе заказано шесть артефактов определённого типа, а в графе пять, недостающий будет назван и поставлен в работу. Из контроля полноты исчезает самая ненадёжная часть, то есть самоотчёт LLM.

228 задач и проекты до 24 артефактов

Для проверки авторы собрали DesignAnything-Bench. В нём 228 задач в 19 дизайн-доменах, включая 38 семейств проектов. Каждое семейство доступно в трёх масштабах: 6, 14 и 24 артефакта. Такая сетка позволяет увидеть, как качество падает по мере роста проекта, а не просто сравнить модели на одиночных картинках.

Картина получилась показательной. Чем длиннее проект, тем больше выигрыш обвязки: на 24 артефактах прирост над лучшим базовым вариантом составляет 25,1% для DeepSeek V4.1 Flash High и 23,0% для GPT-5.6 Sol High. Базовые подходы деградируют с ростом числа файлов, а граф держит планку. Кроме того, при каждой из двух моделей Design Anything лидирует или делит первое место по выполнению ограничений в 18 из 19 доменов. Это говорит о том, что выигрыш не держится на паре удобных категорий.

Метрика честная в одном важном отношении: LLM зафиксирована. Улучшение получено не сменой модели, а только за счёт обвязки вокруг неё. Разница между Flash-моделью и GPT-5.6 Sol при этом сохраняется (85,0% против 92,5%), так что сильная база по-прежнему важна, но слабая модель с хорошей обвязкой заметно сокращает дистанцию.

Людей тоже спросили. В слепой оценке профессиональные дизайнеры чаще выбирали полные наборы Design Anything, а не результаты базовых схем на тех же моделях. Автоматические метрики по фактическим ограничениям подтверждаются суждением профессионалов.

Что забрать в свои агентные пайплайны

Главный практический вывод шире дизайна. Любой длинный агентный процесс, где результат состоит из множества согласованных частей, выигрывает от внешнего состояния. Это относится к генерации маркетинговых кампаний, документации, интерфейсов, обучающих курсов и наборов тестов. Три приёма из работы переносятся почти без изменений:

• фиксируйте ограничения и принятые решения в явном контракте, а не в истории чата;
• передавайте утверждённые артефакты следующим шагам как структурированные входы;
• проверяйте полноту кодом, сверяя типы и количество результатов с планом, а не вопросом к модели.

Для продуктовых команд это ещё и аргумент в бюджетной дискуссии. Если обвязка поднимает компактную Flash-модель до 85% выполнения ограничений, часть задач можно не отдавать самой дорогой модели. Для студий и агентств вывод другой: ценность смещается от единичной красивой генерации к управлению проектом целиком. Выигрывает тот, кто умеет гарантировать, что все 24 файла из брифа сделаны и согласованы между собой.