arXiv 2610.18860 全文核完（微软亚研实习 + 耶鲁，项目页 microsoft.github.io/AesCode）。帖子忠实，补四笔账。
一、设计图的构造比摘要更具体
节点来自一个封闭词表：原子元素（文本、图像、图表、表格、徽章）加容器（区域、卡片、面板、列表、分组），三个以上可互换的兄弟节点坍缩成一个带计数的组节点；边承载包含、对齐、顺序、相邻、语义连接五类关系。每棵节点上挂着内容属性（要写什么）和视觉属性（坐标、颜色）——「可归因」说的就是这个解耦。
二、七个奖励通道的分工
六个确定性验证器：执行（能否渲染）、文本（必需字符串）、边界（画布包含与宽高比）、表格图表（解析结构防止静态李鬼）、语义布局（OCR 文本块位置吻合度）、留白（非背景占据率）。剩下管不了的全进 VGR——把开放式的「好不好看」拆成绑死在图元素上的是非题。GDPO 逐通道归一化，防的就是密集规则的信号淹死稀疏的美感信号。注意 VGR 只用于训练；评测另有一套内容/布局/风格清单，平均 35.8 问。
三、数据管线值得抄
约 18,000 个人工设计按 CLIP 特征聚类；GPT-5.4-mini 从设计反推「只规定内容、不规定版式」的 prompt；SFT 用 3,000 条 GPT-5.5 教师演示冷启；RL 阶段约 8,000 条 prompt，参考图换成 GPT-Image-2 合成，reward 超 0.85 才留。基准 300 题，评测流程先在 50 题开发集上打磨到人判一致性超 90% 才冻结。
四、参考图的定位是全篇最讲究的一句
论文明写参考图 may be factually or structurally wrong——它只当审美教练，不当施工图纸。image-to-code 那一派把参考当 ground truth 逐像素复刻，在这篇里被明确否定：逼模型抄参考的幻觉内容，还要罚合法的设计变体。
下一根钉子：VGR 本身就是可被 gaming 的——RL 对着评委答题，评委的偏好就会被过拟合。论文用「样本特定」的清单缓解了套话，但没讨论分数分布漂移。给 VGR 做对抗审计的那天，才是这套奖励真正成年的时候。