EdiTikZ：基于修订轨迹的科学图形编辑

视觉语言模型（VLM）在从文本或图像生成科学图形方面表现出了强大的性能。然而，生成可供出版的图表需要迭代细化，这使得科学图表编辑成为一项重要但很大程度上尚未探索的任务。现有方法依赖于昂贵的专有代理系统，主要侧重于评估，或从综合生成的编辑中构建训练监督。相反，我们利用自然发生的科学修订和发展轨迹作为可扩展的监督来源。为此，我们引入了 DaEdiTikZ，这是第一个基于修订的科学图形编辑的大规模数据集，通过从 arXiv、GitHub 和 TeX SE 挖掘 391K 合理的 TikZ 编辑对并使用以渲染图形和 TikZ 代码为条件的 VLM 推断 781K 定向编辑指令来构建。我们进一步引入 DaEdiTikZ-Bench，这是一个具有 790 个实例的人工改进基准，并通过联合学习重建和编辑来训练两个基于 Qwen3.5 的紧凑型 EdiTikZ 模型（4B 和 9B），然后进行强化学习（RL），并为渲染保真度和编辑应用程序提供补充奖励。自动评估使我们的 9B 模型高于所有测试的基线，而使用 9 个注释者和 4,320 个评分进行的人工评估使其高于 GPT-5.6-Sol 并与 Gemini-3.1-Pro 相当。在严重的分布外变化下，它在接近 2K 训练序列长度的情况下仍然与 GPT-5.6-Sol 具有竞争力。模型和数据集将被发布。