¿Puede la IA dibujarte un gráfico bonito sin mentir sobre los datos?

Imagina un prompt como este: "Haz un gráfico de barras con las alturas de monumentos mundiales, pero dibuja cada barra como el propio monumento". El modelo accede. La Torre Inclinada de Pisa, la Torre de Tokio, Big Ben, la Estatua de la Libertad y el Templo del Cielo se alinean en fila, cada uno representado como una pequeña ilustración en lugar de un simple rectángulo. Se ve genial en una diapositiva.

Ahora revisa los datos: Pisa es 56, la Torre de Tokio es 133, Big Ben es 96, la Estatua de la Libertad es 93, el Templo del Cielo es 58. ¿La imagen codifica realmente esos números, o el modelo simplemente pintó cinco torres con forma vagamente de monumento a cualquier altura que pareciera equilibrada? Para la mayoría de los generadores de imágenes actuales, la respuesta honesta es la segunda. Este es exactamente el modo de fallo que un nuevo artículo llamado ArtChart, de un equipo de Ant Group, busca corregir. No es principalmente un artículo sobre OCR, pero el problema que aborda es el espejo de lo que los motores de OCR enfrentan cada día: si los píxeles en una página pueden ser confiables para significar lo que afirman significar.

Por qué un "gráfico bonito" son en realidad dos tareas difíciles grapadas

Un gráfico que va a parar a una presentación, un informe anual o una página de marketing tiene que cumplir dos funciones a la vez. Tiene que ser un gráfico legítimo: alturas de barras proporcionales a los valores, porciones de pastel en los ángulos correctos, la cantidad adecuada de categorías, etiquetas unidas a las marcas correctas. Y tiene que tener un diseño: una paleta de colores, un tema, quizás una metáfora (convertir las barras en rascacielos, el pastel en un plato de comida). Si le pides a un diseñador humano que lo haga, lo hará bien en ambos aspectos, porque entiende los números antes de empezar a dibujar.

Si le pides a un modelo de texto a imagen, obtendrás uno u otro, rara vez ambos. Los autores de ArtChart realizaron experimentos piloto y clasificaron los fallos en cuatro categorías:

• Distorsión de la lógica matemática: alturas de barras incorrectas, ángulos de pastel erróneos, o un número completamente equivocado de barras o porciones.
• Errores en el contenido del texto: caracteres faltantes, duplicados, ilegibles o totalmente incorrectos en las etiquetas y títulos.
• Incoherencia en la disposición del texto: una etiqueta de valor o categoría situada junto a la marca incorrecta, o desplazada de su barra.
• Fallo en el estilo visual: una estilización tan agresiva que las marcas dejan de ser legibles, o tan tímida que el gráfico no parece "artístico" en absoluto.

Su planteamiento es tajante: un gráfico es inválido si una barra tiene una altura incorrecta, un sector del pastel tiene un ángulo erróneo, se alucina un dígito o se coloca un valor correcto sobre la categoría equivocada, sin importar lo bien que se vea el resto de la imagen.

Un plano que el artista no puede redibujar

La solución de ArtChart comienza negándose a permitir que el modelo improvisar los números en absoluto. Antes de que ocurra cualquier generación artística, el sistema renderiza un gráfico en escala de grises aburrido y sin texto utilizando código de gráficos determinista, el mismo tipo de alturas de barras y ángulos de gráficos circulares precisos en píxeles que obtendría de una biblioteca de trazado. Sin título, sin etiquetas, sin colores. Solo geometría.

Este esqueleto en escala de grises luego condiciona la generación real, a través de un ControlNet específico para gráficos (una técnica bien establecida para dirigir modelos de difusión con una imagen de entrada estructural) entrenado sobre un backbone congelado de texto a imagen llamado Qwen-Image-2512. La idea es arquitectónica: entregarle al artista un alambre y decirle que agregue ventanas y una fachada, pero dejar el plano de planta intacto.

El detalle que hace que esto funcione es que un ControlNet genérico, el tipo entrenado en fotos con mapas de bordes o mapas de profundidad, no sabe que en esta imagen gris en particular, la altura de un rectángulo es un número. Tratará el gráfico como cualquier otra imagen para ser estilizada. Entrenar un ControlNet específicamente en diseños de gráficos es lo que permite al modelo entender que la geometría no es decorativa, es datos.

Enseñando al modelo con tres evaluadores que no están de acuerdo entre sí

Asegurar la geometría no soluciona el texto. Una vez que el esqueleto fue sólido, el equipo encontró que los errores restantes dominantes eran etiquetas confusas o desajustadas. Así que congelaron el ControlNet y el modelo base, adjuntaron un pequeño adaptador entrenable al transformador de difusión del modelo, y lo entrenaron con aprendizaje por refuerzo usando un método basado en GRPO (Optimización de Política Relativa por Grupo).

Dos recompensas impulsaron esa etapa. Una ejecuta OCR en la imagen generada y compara el texto detectado con las etiquetas previstas usando distancia de edición, puntuando qué tan cerca está el texto renderizado de ser correcto. La otra pide a un modelo de visión-idioma que verifique si cada etiqueta está en la marca correcta, en la posición correcta, no solo si la cadena está bien escrita.

Luego añadieron una tercera recompensa por estética, basada en PickScore, un modelo entrenado con datos de preferencia humana, y se toparon con un problema predecible. Si presionas fuerte por precisión de OCR, el modelo juega seguro: fuentes simples, colocación rígida, composiciones aburridas. Si presionas por estética, el texto empieza a desviarse y confundirse de nuevo. Promediar las tres recompensas en una sola señal de entrenamiento te da un compromiso mediocre en todo, confirmado directamente en sus experimentos: un modelo mezclado ingenuamente obtuvo 9.49 en texto, 7.51 en diseño y 7.61 en estética, todos por debajo de lo que un modelo entrenado solo con una de esas recompensas podría alcanzar por sí solo.

Su respuesta es un esquema de destilación que llaman OPD. Entrenan tres modelos especialistas separados, uno que solo persigue precisión de OCR, uno que solo persigue corrección de diseño, uno que solo persigue estética, cada uno empujado hasta que se estabilice. Luego entrenan un único modelo final para imitar al especialista mejor adaptado a un ejemplo de entrenamiento dado, seleccionado al vuelo por un enrutador. Es menos "promediar tres opiniones" y más "aprender del experto que realmente conoce este caso particular".

El beneficio se muestra claramente en sus números. El especialista en OCR solo alcanza 9.55 en texto. El especialista en diseño alcanza 7.71 en diseño. El especialista en estética alcanza 7.69 en estética. El modelo destilado final llega a 9.54 en texto, 7.67 en diseño y 7.61 en estética, a un pelo del techo propio de cada especialista, en los tres ejes a la vez, en lugar de conformarse con el término medio que produjo la mezcla ingenua.

Calificar matemáticas sin permitir que el corrector lea la clave de respuestas

Para poner todo esto a prueba, el equipo creó ArtChart-Bench: 2.000 prompts divididos equitativamente entre inglés y chino, que cubren cuatro tipos de gráficos (barras verticales, barras horizontales, circulares y de área), y 15 familias de estilo que van desde el minimalista hasta el fuertemente ornamentado. Los prompts están diseñados para someterse a pruebas de estrés deliberadas: conteos de categorías de 2 a 10, secuencias de valores que en su mayoría están desordenadas pero a veces deliberadamente crecientes, decrecientes o todas iguales, y magnitudes de valores que van desde grandes diferencias fáciles hasta números deliberadamente casi idénticos o cercanos a cero, diseñados para confundir a un renderizador descuidado.

La calificación se realiza en seis ejes, cada uno puntuado sobre 10: lógica matemática, precisión del texto, disposición del texto, estética, seguimiento de instrucciones y legibilidad.

La parte más ingeniosa es cómo puntúan la lógica matemática. Preguntar a un modelo de visión-lenguaje "¿se ve este gráfico correcto?" es fácil de manipular, porque el modelo puede simplemente leer las etiquetas impresas y asumir que la imagen las cumple. Por lo tanto, primero ejecutan OCR, pintan cajas blancas sobre cada carácter detectado y solo entonces entregan la imagen ahora sin texto al juez, pidiéndole que estime las proporciones geométricas solo a partir de las marcas. Si una barra está etiquetada como "42" pero dibujada a la mitad de la altura que debería tener, este método aún la detecta, porque el juez nunca ve la etiqueta. La precisión del texto se puntúa por separado como una medida F1 sobre unidades de texto coincidentes, la disposición como la fracción de etiquetas correctamente vinculadas a la marca y posición correctas, y la legibilidad como una verificación tanto de ilegibilidad por exceso de estilo como de monotonía por falta de estilo.

Lo que realmente mostraron los números

Ejecutar un modelo básico de texto a imagen sin ayuda específica para gráficos arroja una puntuación de lógica matemática de 2,87 sobre 10. Al añadir un ControlNet genérico y listo para usar, esta puntuación salta a 7,48, simplemente por proporcionar al modelo un andamiaje estructural que seguir. Al sustituirlo por el ControlNet específico para gráficos, entrenado con diseños de gráficos en escala de grises, la puntuación asciende a 9,06, lo que representa la mayor mejora individual en todo el flujo de trabajo, y se debe puramente a enseñar al módulo de condicionamiento que los rectángulos grises codifican números.

El texto y el diseño cuentan una historia similar. Las líneas base basadas en edición, donde se le entrega al modelo un gráfico renderizado junto con instrucciones, mejoran la geometría algo, pero apenas mejoran la calidad del texto. El flujo de trabajo completo de ArtChart finaliza con 9,05 en lógica matemática, 9,54 en precisión del texto, 7,67 en diseño, 7,61 en estética, 9,25 en seguimiento de instrucciones y 7,54 en legibilidad, superando a todas las líneas base que probaron en cada eje.

El desglose por tipo de gráfico es donde las cosas se vuelven más honestas. Los gráficos de barras y de barras horizontales son el caso fácil: puntuaciones de legibilidad de 9,27 y 8,21 respectivamente. Los gráficos de área mantienen fuertes puntuaciones en matemáticas y texto, pero la legibilidad cae a 6,64; convertir una región rellena en una forma ilustrada aparentemente dificulta su lectura, incluso cuando los datos subyacentes son correctos. Los gráficos circulares son la categoría más difícil en todos los aspectos, con una lógica matemática de 8,65 y una legibilidad de solo 6,05, porque los ángulos de los sectores y las etiquetas dispuestas alrededor de un círculo son simplemente menos indulgentes que las barras en una cuadrícula.

Por qué importa para quien construye o elige OCR

Este artículo genera imágenes en lugar de leerlas, por lo que no es un punto de referencia competitivo en el sentido en que la mayoría de la cobertura de OpenOCR lo es. Pero el problema subyacente es el mismo problema ejecutado al revés. Un motor de OCR tiene que verificar que una cadena de píxeles significa lo que afirma significar. ArtChart tiene que garantizar eso antes de que esos píxeles existan. Ambos trabajos viven o mueren en la misma pregunta: ¿puedes confiar en el texto de esta imagen?

Dos cosas aquí son directamente útiles si trabajas con imágenes de documentos o gráficos. Primero, la taxonomía de fallos en cuatro partes (geometría incorrecta, texto incorrecto, vinculación de etiquetas incorrecta, estilo ilegible) es una lista de verificación genuinamente buena para ejecutar cualquier pipeline de OCR o document-AI en el momento en que se encuentra con un infográfico estilizado extraído de un informe anual o una presentación de marketing. Segundo, el truco de "enmascarar el texto antes de juzgar la geometría" vale la pena robar para el trabajo de evaluación en general: cada vez que estés verificando si un sistema extrajo los valores correctos de un gráfico, no dejes que tu verificador eche un vistazo a las etiquetas que podrían estar equivocadas por sí mismas.

También hay un ángulo a largo plazo. Un pipeline que puede generar gráficos con datos subyacentes conocidos y correctos y texto de etiquetas verificado es un pipeline que puede generar datos de entrenamiento y evaluación etiquetados para modelos de comprensión de gráficos y chart-OCR, de manera económica y a escala. Ese es un subproducto real incluso si la generación de infográficos artísticos en sí misma permanece como un caso de uso de nicho.

La letra pequeña honesta

Los autores son transparentes sobre dónde aún no llega el método. ArtChart sigue dependiendo de ese esqueleto en escala de grises explícito, por lo que el artículo no demuestra que un modelo de texto a imagen convencional pueda inferir la geometría correcta de un gráfico directamente solo a partir de una indicación de texto. El conjunto de evaluación cubre datos categóricos unidimensionales en cuatro tipos de gráficos; los gráficos agrupados, apilados, de múltiples series, de dispersión, radar y los diseños de paneles de control, es decir, la mayor parte de lo que realmente aparece en los informes empresariales reales, quedan reservados para trabajos futuros. Y dado que la evaluación se basa en modelos de OCR y de visión-idioma como jueces, estos pueden introducir sus propios sesgos en la puntuación.

Cabe añadir: el resumen promete una comparación con "modelos de API de código cerrado", pero las tablas de resultados del artículo solo enfrentan a ArtChart contra las líneas base abiertas de las familias Qwen y FLUX. GPT-Image y un modelo llamado Nano aparecen más temprano en el flujo de trabajo, generando objetivos de entrenamiento, no como filas en la tabla de clasificación final. Y el conjunto de evaluación bilingüe cubre solo inglés y chino, por lo que aún no dice nada sobre cómo se comporta esto en otros sistemas de escritura. Ninguna de estas limitaciones resta valor a lo que el artículo realmente demuestra: que una restricción estructural específica para gráficos, junto con un esquema de destilación para reconciliar recompensas en conflicto, supera con creces a los enfoques ingenuos de texto a imagen y a los métodos genéricos de ControlNet. Simplemente significa que "la generación de gráficos artísticos, resuelta" está a unos pocos ampliaciones del conjunto de evaluación de distancia.