A IA pode desenhar um gráfico bonito para você sem mentir sobre os dados?

Imagine um prompt como este: "Crie um gráfico de barras com as alturas de marcos mundiais, mas desenhe cada barra como o próprio marco." O modelo obedece. A Torre Inclinada de Pisa, a Torre de Tóquio, o Big Ben, a Estátua da Liberdade e o Templo do Céu se alinham em fileira, cada um renderizado como uma pequena ilustração em vez de um retângulo simples. Fica ótimo em uma apresentação.

Agora, verifique os dados: Pisa tem 56, a Torre de Tóquio tem 133, o Big Ben tem 96, a Estátua da Liberdade tem 93 e o Templo do Céu tem 58. A imagem realmente codifica esses números, ou o modelo apenas pintou cinco torres vagamente com formato de marco na altura que parecia equilibrada? Para a maioria dos geradores de imagem atuais, a resposta honesta é a segunda. Esse é exatamente o modo de falha que um novo artigo chamado ArtChart, de uma equipe da Ant Group, busca corrigir. Não é principalmente um artigo sobre OCR, mas o problema que aborda é o espelho do que os mecanismos de OCR enfrentam todos os dias: se os pixels em uma página podem ser confiáveis para significar o que afirmam significar.

Por que um "gráfico bonito" é, na verdade, dois trabalhos difíceis grampeados juntos

Um gráfico que vai para uma apresentação, um relatório anual ou uma página de marketing precisa desempenhar duas funções ao mesmo tempo. Ele precisa ser um gráfico legítimo: alturas de barras proporcionais aos valores, fatias de pizza nos ângulos corretos, o número certo de categorias, rótulos anexados aos marcadores corretos. E ele precisa ter um visual projetado: uma paleta de cores, um tema, talvez uma metáfora (transformar as barras em arranha-céus, a pizza em um prato de comida). Peça a um designer humano para fazer isso e ele acertará os dois aspectos, porque ele entende os números antes de começar a desenhar.

Peça a um modelo de texto para imagem, e você obterá um ou outro, raramente ambos. Os autores do ArtChart realizaram experimentos piloto e classificaram as falhas em quatro categorias:

• Distorção da lógica matemática: alturas de barras erradas, ângulos de pizza incorretos, o número errado de barras ou fatias em geral.
• Erros de conteúdo de texto: caracteres ausentes, duplicados, ilegíveis ou totalmente errados em rótulos e títulos.
• Incompatibilidade de layout de texto: um valor ou rótulo de categoria posicionado ao lado do marcador errado, ou deslocado de sua barra.
• Falha no estilo visual: estilização tão agressiva que os marcadores deixam de ser legíveis, ou tão tímida que o gráfico não parece "artístico" de forma alguma.

Sua abordagem é direta: um gráfico é inválido se uma barra tiver a altura errada, um setor de pizza tiver o ângulo errado, um dígito for alucinado ou um valor correto for colocado acima da categoria errada, não importa o quão bonita seja o restante da imagem.

Um esboço que o artista não tem permissão para redesenhar

A solução do ArtChart começa por impedir que o modelo improvise os números de qualquer forma. Antes de qualquer geração artística, o sistema renderiza um gráfico cinza, sem texto e sem graça, usando código de gráfico determinístico, o mesmo tipo de alturas de barras e ângulos de pizza precisos em pixels que você obteria de uma biblioteca de plotagem. Sem título, sem rótulos, sem cores. Apenas geometria.

Esse esqueleto em tons de cinza então condiciona a geração real, por meio de um ControlNet específico para gráficos (uma técnica bem estabelecida para orientar modelos de difusão com uma imagem de entrada estrutural) treinado sobre um backbone congelado de texto para imagem chamado Qwen-Image-2512. A ideia é arquitetônica: entregar ao artista uma estrutura de arame e dizer para adicionar janelas e uma fachada, mas deixar o planta baixa intacta.

O detalhe que faz isso funcionar é que um ControlNet genérico, o tipo treinado em fotos com mapas de bordas ou mapas de profundidade, não sabe que, nesta imagem cinza em particular, a altura de um retângulo é um número. Ele tratará o gráfico como qualquer outra imagem a ser estilizada. Treinar um ControlNet especificamente em layouts de gráficos é o que permite ao modelo entender que a geometria não é decorativa, é dados.

Ensinando o modelo com três avaliadores que não concordam entre si

Travar a geometria não resolve o texto. Uma vez que a estrutura básica estava sólida, a equipe descobriu que os erros restantes predominantes eram rótulos ilegíveis ou incompatíveis. Portanto, eles congelaram o ControlNet e o modelo base, anexaram um pequeno adaptador treinável ao transformador de difusão do modelo e o treinaram com aprendizado por reforço usando um método baseado no GRPO (Group Relative Policy Optimization).

Duas recompensas impulsionaram essa etapa. Uma executa OCR na imagem gerada e compara o texto detectado com os rótulos pretendidos usando distância de edição, pontuando o quão próximo o texto renderizado está do correto. A outra pede a um modelo de visão-linguagem para verificar se cada rótulo está no marcador correto, na posição correta, e não apenas se a string está grafada corretamente.

Em seguida, eles adicionaram uma terceira recompensa para estética, baseada no PickScore, um modelo treinado com dados de preferência humana, e depararam-se com um problema previsível. Se pressionar muito pela precisão do OCR, o modelo joga seguro: fontes simples, posicionamento rígido, composições entediantes. Se pressionar pela estética, o texto começa a se distorcer e ficar ilegível novamente. Se fazer a média de todas as três recompensas em um único sinal de treinamento, obtém-se um compromisso medíocre em tudo, confirmado diretamente em seus experimentos: um modelo misturado de forma ingênua obteve 9,49 em texto, 7,51 em layout e 7,61 em estética, todos abaixo do que um modelo treinado apenas em uma dessas recompensas poderia atingir por conta própria.

A solução deles é um esquema de destilação chamado OPD. Treinar três modelos especialistas separados, um que persegue apenas a precisão do OCR, um que persegue apenas a correção do layout, um que persegue apenas a estética, cada um pressionado até atingir um platô. Em seguida, treinar um único modelo final para imitar o especialista mais adequado para um exemplo de treinamento dado, selecionado em tempo real por um roteador. É menos "fazer a média de três opiniões" e mais "aprender com o especialista que realmente conhece este caso específico".

O retorno aparece claramente nos números deles. O especialista em OCR sozinho atinge 9,55 em texto. O especialista em layout atinge 7,71 em layout. O especialista em estética atinge 7,69 em estética. O modelo final destilado atinge 9,54 em texto, 7,67 em layout e 7,61 em estética, a um fio de distância do teto de cada especialista em todas as três dimensões ao mesmo tempo, em vez de se contentar com o meio-termo produzido pela mistura ingênua.

Corrigindo matemática sem deixar o corretor ler o gabarito

Para testar tudo isso, a equipe construiu o ArtChart-Bench: 2.000 prompts divididos igualmente entre inglês e chinês, cobrindo quatro tipos de gráficos (barras verticais, barras horizontais, pizza e área) e 15 famílias de estilos, que variam do minimalista ao altamente ornamentado. Os prompts são submetidos a testes de estresse deliberados: contagens de categorias de 2 a 10, sequências de valores que são majoritariamente desordenadas, mas às vezes deliberadamente crescentes, decrescentes ou todas iguais, e magnitudes de valores que vão desde grandes intervalos fáceis até números deliberadamente quase idênticos ou próximos de zero, projetados para enganar um renderizador descuidado.

A correção ocorre em seis eixos, cada um pontuado de 0 a 10: lógica matemática, precisão do texto, layout do texto, estética, seguimento de instruções e legibilidade.

A parte mais inteligente é como eles pontuam a lógica matemática. Perguntar a um modelo de visão-linguagem "este gráfico parece correto?" é fácil de burlar, porque o modelo pode simplesmente ler os rótulos impressos e assumir que a imagem corresponde a eles. Portanto, eles executam OCR primeiro, pintam caixas brancas sobre cada caractere detectado e só então passam a imagem agora sem texto ao juiz, pedindo que ele estime as proporções geométricas apenas a partir das marcas. Se uma barra estiver rotulada como "42", mas desenhada na metade da altura que deveria ter, esse método ainda detecta o erro, porque o juiz nunca vê o rótulo. A precisão do texto é pontuada separadamente como uma medida F1 sobre unidades de texto correspondentes, o layout como a fração de rótulos corretamente vinculados à marca e posição certas, e a legibilidade como uma verificação tanto para ilegibilidade excessivamente estilizada quanto para banalidade por falta de estilo.

O que os números realmente mostraram

Executar um modelo simples de texto para imagem, sem ajuda específica para gráficos, resulta em uma pontuação de lógica matemática de 2,87 em 10. Adicionar um ControlNet genérico e pronto para uso aumenta essa pontuação para 7,48, apenas por fornecer ao modelo uma estrutura básica para seguir. Substituir pelo ControlNet específico para gráficos, treinado em layouts de gráficos em escala de cinza, eleva a pontuação para 9,06, o maior ganho individual em todo o pipeline, e isso vem puramente do ensino ao módulo de condicionamento de que retângulos cinzas codificam números.

Texto e layout contam uma história semelhante. Baselines baseadas em edição, onde você fornece ao modelo um gráfico renderizado junto com instruções, melhoram a geometria um pouco, mas quase não afetam a qualidade do texto. O pipeline completo do ArtChart termina com 9,05 em lógica matemática, 9,54 em precisão de texto, 7,67 em layout, 7,61 em estética, 9,25 em seguimento de instruções e 7,54 em legibilidade, superando todas as baselines testadas em todos os aspectos.

A análise detalhada por tipo de gráfico é onde as coisas ficam mais honestas. Gráficos de barras e barras horizontais são os casos mais simples: pontuações de legibilidade de 9,27 e 8,21. Gráficos de área mantêm boas pontuações em matemática e texto, mas a legibilidade cai para 6,64; transformar uma região preenchida em uma forma ilustrada aparentemente dificulta a leitura, mesmo quando os dados subjacentes estão corretos. Gráficos de pizza são a categoria mais difícil em todos os aspectos, com lógica matemática em 8,65 e legibilidade de apenas 6,05, porque ângulos dos setores e rótulos dispostos ao redor de um círculo são simplesmente menos tolerantes do que barras em uma grade.

Por que isso importa para quem constrói ou escolhe OCR

Este artigo gera imagens em vez de lê-las, portanto, não é um benchmark de competição da maneira como a maioria das coberturas de OpenOCR apresenta. Mas o problema subjacente é o mesmo problema executado ao contrário. Um mecanismo de OCR precisa verificar se uma sequência de pixels significa o que afirma significar. O ArtChart precisa garantir isso antes que esses pixels sequer existam. Ambas as tarefas vivem ou morrem com a mesma pergunta: você pode confiar no texto desta imagem?

Duas coisas aqui são diretamente úteis se você trabalha com imagens de documentos ou gráficos. Primeiro, a taxonomia de falhas em quatro partes (geometria errada, texto errado, vinculação de rótulos errada, estilização ilegível) é uma lista de verificação genuinamente boa para executar qualquer pipeline de OCR ou document-AI assim que ele encontrar um infográfico estilizado extraído de um relatório anual ou uma apresentação de marketing. Segundo, o truque de "ocultar o texto antes de julgar a geometria" vale a pena ser adotado para trabalho de avaliação em geral: sempre que você estiver verificando se um sistema extraiu os valores corretos de um gráfico, não deixe seu verificador espiar rótulos que podem estar errados.

Há também um ângulo de longo prazo. Um pipeline que pode gerar gráficos com dados subjacentes conhecidos e corretos e texto de rótulos verificados é um pipeline que pode gerar dados de treinamento e avaliação rotulados para modelos de compreensão de gráficos e chart-OCR, de forma barata e em escala. Esse é um subproduto real, mesmo que a geração de infográficos artísticos em si permaneça um caso de uso de nicho.

O pequeno print honesto

Os autores são diretos sobre onde o método ainda não chega. O ArtChart ainda depende desse esqueleto em tons de cinza explícito, portanto o artigo não demonstra que um modelo simples de texto para imagem possa inferir a geometria correta de gráficos diretamente apenas a partir de um prompt de texto. O benchmark abrange dados categóricos unidimensionais em quatro tipos de gráficos; gráficos agrupados, empilhados, de múltiplas séries, dispersão, radar e layouts de dashboard, ou seja, a maioria do que realmente aparece em relatórios empresariais reais, fica para trabalhos futuros. E como a avaliação depende de modelos de OCR e visão-linguagem como juízes, esses juízes podem carregar seus próprios vieses para a pontuação.

Vale acrescentar: o resumo promete comparação contra "modelos de API de código fechado", mas as tabelas de resultados no artigo comparam o ArtChart apenas contra baselines de código aberto das famílias Qwen e FLUX. O GPT-Image e um modelo chamado Nano aparecem mais cedo no pipeline, gerando alvos de treinamento, não como linhas no ranking final. E o benchmark bilíngue abrange apenas inglês e chinês, portanto ainda não diz nada sobre como isso se sustenta em outros scripts. Nenhum disso diminui o que o artigo realmente demonstra, que uma restrição estrutural específica para gráficos mais um esquema de destilação para reconciliar recompensas concorrentes supera as abordagens ingênuas de texto para imagem e ControlNet genérico por uma ampla margem. Significa apenas que "geração de gráficos artísticos, resolvido" está a algumas expansões de benchmark de distância.