PosterReward — модели оценки графического дизайна плакатов

PosterReward — модель вознаграждения, предназначенная для оценки качества графического дизайна плакатов. Она фокусируется на задачах генерации плакатов, измеряя качество типографики, макета и других специфических аспектов дизайна. Проект полезен для разработчиков систем автоматической генерации изображений и исследователей в области компьютерного зрения.
Возможности и состав проекта
Проект предлагает три варианта моделей: PosterReward — двухэтапная дискриминативная модель с анализом и оценкой; PosterReward-Lite — упрощенный вариант для более быстрого вывода; и PosterReward-Pairwise — генеративная модель, способная предсказывать предпочтения и предоставлять обоснование. Оценка плакатов формализована по пяти измерениям: базовое визуальное качество, артефакты ИИ, текстовая точность, соответствие запросу и эстетическая ценность.
Начало работы и требования
Для развертывания PosterReward требуется окружение Python 3.10 с установленными библиотеками swift, msgspec, qwen_vl_utils, torchvision, diffusers, pillow. Для полной функциональности, включая анализатор и PosterBench, необходимы torch версии 2.8.0 и vLLM версии 0.11.0. Модели PosterReward построены на базе Qwen3-VL-8B и имеют четырехступенчатый конвейер обучения, включающий тонкую настройку и обучение с подкреплением.
Ограничения и выбор сценария
Оценка модели отражает обученные предпочтения и протокол, а не объективную пригодность каждого плаката для бренда или аудитории. Lite, полная и Pairwise-версии имеют разные результаты и требования; баллы между ними нельзя считать автоматически взаимозаменяемыми. Для полного конвейера важна совместимость torch, vLLM и ms-swift. Проверяйте текст на изображении и соответствие заданию независимо, а лицензии весов Qwen3-VL и наборов данных — отдельно от доступности кода.
Лицензия и условия использования
GitHub не определяет однозначную стандартную лицензию этого репозитория. Условия использования нужно проверить в README, LICENSE и документации авторов; доступность файлов на GitHub сама по себе не разрешает любое распространение или коммерческое использование.





