Figma hat am 29. Oktober in einem Beitrag ein selbst entwickeltes Modell zum Bearbeiten von Designs vorgestellt. Als Basis dient das offene Qwen 3.8 27B von Alibaba, das per überwachtem Feintuning und Reinforcement Learning darauf getrimmt wurde, bestehende Entwürfe präzise zu verändern. Das Modell ist bereits in den KI-Agenten von Figma eingebunden; der Agent selbst steht inzwischen allen Nutzern offiziell zur Verfügung.
Einen öffentlichen Namen hat Figma dem Modell nicht gegeben, in der Benchmark-Grafik heißt es „Figma design edits v3“. Im internen Edit-Benchmark von Figma erreicht es 77,8 %, das Drittanbietermodell Sol 6.1 kommt auf 76,9 %.
"We've increasingly seen that specialized post-training can compete with frontier models."
Wir sehen immer häufiger, dass gezieltes Post-Training mit Frontier-Modellen mithalten kann.
Zwei Schritte: erst nachahmen, dann verstärken
Die erste Version basierte auf Llama 3.3 70B. Jedes Trainingsbeispiel kombiniert einen ursprünglichen Entwurf, eine synthetische Änderungsanfrage und ein erfolgreiches Änderungsergebnis; die Entwürfe liegen direkt in Figmas eigenem Dateiformat vor, und auch Ressourcen des Designsystems wie Themes und Komponenten wurden mit synthetischen Prompts versehen.
Die Daten entstehen, indem ein größeres Lehrermodell zunächst Änderungen versucht und das Ergebnis dann von deterministischen Prüfern und einem Vision-Modell bewertet wird; die Pipeline kann sich anhand der Evaluierungsergebnisse selbst korrigieren. Frühe Versionen nutzten mehr als 250.000 Beispiele und konnten bei Bearbeitungsaufgaben bereits mit den damals führenden Modellen gleichziehen.
Die Schwäche des Imitationslernens zeigte sich schnell: Das Modell erzeugte nur Designs, die den Trainingsbeispielen stark ähnelten, generalisierte schlecht und war bei der Datennutzung ineffizient. Das Team wechselte daraufhin zu Reinforcement Learning und konzentrierte sich auf Trainingsumgebungen für den Designbereich, die Vielfalt der Beispiele, Belohnungsmodelle und von Designexperten verfasste Bewertungsraster. Beim Wechsel der Basis auf Qwen 3.8 27B prüfte man auch neuere Qwen-Reihen, Muse Spark Open und Inkling.
Die Zahlen nach dem Start
Figma nennt einige Veränderungen zwischen Beta und offizieller Version:
- Typische Aufgaben laufen etwa 20 % schneller;
- im Blindtest mit professionellen Designern war der neue Agent in 62 % der Vergleiche besser oder gleichauf mit dem alten;
- die Nutzerbewertung liegt 33 % höher, und Änderungen des Agenten wurden 60 % seltener rückgängig gemacht;
- der Anteil der Arbeit, den das Eigenmodell übernimmt, hat sich mehr als verdoppelt, die durchschnittlichen Kosten pro Nachricht sind gesunken.
Auch die Arbeitsteilung ist klar festgelegt: Präzise Bearbeitungen und mehrstufige Iterationen übernimmt das Eigenmodell, für das Generieren von Bildern und Vektorgrafiken sowie für die Erkundung neuer Designs von Grund auf kommt weiterhin das jeweils beste Drittanbietermodell zum Einsatz.
Mehrere Firmen auf demselben Weg
In den vergangenen zwei Jahren haben immer mehr Unternehmen offene Basismodelle per Post-Training auf ihre Branche zugeschnitten. Cursor trainierte eigene Modelle für Code-Vervollständigung und Umschreiben; Airbnb-CEO Brian Chesky sagte schon im vergangenen Jahr öffentlich, dass die Kundenservice-Agenten des Unternehmens stark auf Qwen setzen. Figmas Ansatz ist ähnlich: Allgemeine Modelle sind gut darin, etwas aus dem Nichts zu erschaffen, während kleine, präzise Änderungen an fremden Entwürfen, die das Designsystem nicht beschädigen, vor allem viele Daten aus dem eigenen Fachgebiet erfordern.
Interessant ist hier die Basis. Dass ein US-Anbieter von Designsoftware seine zentrale Editierfunktion auf Qwen aufbaut, zeigt, dass chinesische offene Modelle in kommerziellen Produkten im Ausland inzwischen eine Option sind. Wie stark die Kosten genau gesunken sind, wo das 27B-Modell betrieben wird und welche Cloud für die Inferenz genutzt wird, hat Figma nicht offengelegt.
Quellen: CocoLoop, offizieller Figma-Blog; der offizielle Blog wurde zur Prüfung von Basismodell, Umfang der Trainingsdaten und internen Benchmark-Werten herangezogen, die Kennzahlen nach dem Start beruhen auf Figmas eigenen Angaben.