SVGEditBench: A Benchmark Dataset for Quantitative Assessment of LLM's SVG Editing Capabilities

文本转图像模型近年来取得了进展。随着这一进展，从文本生成矢量图形也得到了发展。SVG是矢量图形的流行格式，SVG用XML文本表示场景。因此，大型语言模型可以直接处理SVG代码。考虑到这一点，我们专注于使用LLMs编辑SVG。为了定量评估LLMs编辑SVG的能力，我们提出了SVGEditBench。SVGEditBench是评估LLMs编辑SVG代码能力的基准。我们还展示了在所提出的基准测试中评估GPT-4和GPT-3.5的结果。在实验中，GPT-4在定量和定性方面均表现优异，优于GPT-3.5。数据集可在https://github.com/mti-lab/SVGEditBench上获得。

本论文旨在探究利用大型语言模型（LLMs）编辑SVG代码的能力，并提出了一个用于评估LLMs编辑SVG代码能力的基准测试SVGEditBench。这是否是一个新问题？

本论文的关键思路是利用大型语言模型直接处理SVG代码进行编辑，提出了一个新的基准测试SVGEditBench来评估LLMs编辑SVG代码的能力。

论文展示了GPT-4和GPT-3.5在SVGEditBench上的表现，并且GPT-4在定量和定性方面都表现优异。数据集已经开源。除此之外，本论文还探讨了文本生成图像和生成矢量图形的进展。

最近的相关研究包括文本生成图像和生成矢量图形。