Le 29 octobre, Figma a publié un article dévoilant un modèle maison d'édition de design, bâti sur Qwen 3.8 27B, le modèle ouvert d'Alibaba. Affiné par apprentissage supervisé puis par renforcement, il est chargé d'apporter des modifications précises à des maquettes existantes. Le modèle est déjà intégré à l'agent IA de Figma, et l'agent lui-même est désormais officiellement ouvert à tous les utilisateurs.
L'article ne donne pas de nom public au modèle ; dans le graphique d'évaluation, il figure sous l'intitulé « Figma design edits v3 ». Sur le test interne de retouche de Figma, il obtient 77,8 %, contre 76,9 % pour le modèle tiers Sol 6.1.
"We've increasingly seen that specialized post-training can compete with frontier models."
Nous constatons de plus en plus qu'un post-entraînement ciblé peut rivaliser avec les modèles de pointe.
Deux étapes : d'abord imiter, puis renforcer
La première version reposait sur Llama 3.3 70B. Chaque échantillon d'entraînement associe une maquette d'origine, une demande de modification synthétique et un résultat de retouche réussi ; les maquettes sont représentées directement dans le format de fichier propre à Figma, et les ressources du système de design, comme les thèmes et les composants, ont aussi reçu des invites synthétiques.
Les données sont produites par un modèle enseignant plus grand, qui tente d'abord la modification, puis par des vérificateurs déterministes et un modèle de vision qui évaluent le résultat ; la chaîne peut se corriger elle-même à partir des retours d'évaluation. Les premières versions ont utilisé plus de 250 000 échantillons et égalaient déjà les meilleurs modèles de l'époque sur les tâches de retouche.
Les limites de l'apprentissage par imitation sont vite apparues : le modèle ne produisait que des designs très proches des exemples d'entraînement, généralisait mal et exploitait peu efficacement les échantillons. L'équipe s'est alors tournée vers l'apprentissage par renforcement, en se concentrant sur les environnements d'entraînement propres au design, la diversité des échantillons, les modèles de récompense et les grilles d'évaluation rédigées par des experts du design. En passant à Qwen 3.8 27B, elle a également évalué des séries Qwen plus récentes, Muse Spark Open et Inkling.
Les chiffres après le lancement
Figma a publié plusieurs évolutions entre la version bêta et la version officielle :
- la vitesse sur les tâches typiques a augmenté d'environ 20 % ;
- lors de tests en aveugle avec des designers professionnels, le nouvel agent était meilleur ou équivalent à l'ancien dans 62 % des comparaisons ;
- la note des utilisateurs est supérieure de 33 % et les annulations de modifications de l'agent ont reculé de 60 % ;
- la part du travail prise en charge par le modèle maison a plus que doublé, et le coût moyen par message a baissé.
La répartition des rôles est elle aussi claire : les retouches précises et les itérations en plusieurs tours reviennent au modèle maison, tandis que la génération d'images et de graphiques vectoriels et l'exploration de nouveaux designs à partir de zéro continuent de faire appel au meilleur modèle tiers.
D'autres entreprises sur la même voie
Depuis deux ans, de plus en plus d'entreprises utilisent des bases ouvertes pour un post-entraînement sectoriel. Cursor a entraîné ses propres modèles pour la complétion et la réécriture de code ; le PDG d'Airbnb, Brian Chesky, a déclaré publiquement l'an dernier que les agents du service client de l'entreprise s'appuient largement sur Qwen. La démarche de Figma est similaire : les modèles généralistes excellent à créer à partir de rien, alors que des retouches petites, précises et respectueuses du système de design sur le travail d'autrui exigent beaucoup de données propres au domaine.
L'intérêt se situe dans la base. Qu'un éditeur américain de logiciels de design bâtisse sa capacité d'édition centrale sur Qwen montre que les modèles ouverts chinois sont désormais une option dans des produits commerciaux à l'étranger. De combien le coût a exactement baissé, où le modèle de 27B est déployé et quel cloud assure l'inférence, Figma ne l'a pas précisé.
Sources : CocoLoop, blog officiel de Figma ; le blog officiel a servi à vérifier le modèle de base, le volume d'échantillons d'entraînement et le score du test interne, les indicateurs postérieurs au lancement étant ceux déclarés par Figma.