Em 29 de outubro, a Figma publicou um texto revelando um modelo próprio de edição de design, construído sobre o Qwen 3.8 27B, de código aberto, da Alibaba. Com ajuste fino supervisionado e aprendizado por reforço, ele foi preparado para fazer alterações precisas em designs já existentes. O modelo já foi integrado ao agente de IA da Figma, e o próprio agente também foi liberado oficialmente para todos os usuários.
O texto não dá um nome público ao modelo; no gráfico de avaliação, ele aparece como "Figma design edits v3". No teste interno de edição da Figma, ele marcou 77,8%, contra 76,9% do modelo de terceiros Sol 6.1.
"We've increasingly seen that specialized post-training can compete with frontier models."
Temos visto cada vez mais que um pós-treinamento especializado pode competir com os modelos de fronteira.
Dois passos: primeiro imitar, depois reforçar
A primeira versão usava o Llama 3.3 70B como base. Cada amostra de treino reúne um design original, um pedido de alteração sintético e um resultado de edição bem-sucedido; os designs são representados diretamente no formato de arquivo da própria Figma, e recursos do sistema de design, como temas e componentes, também receberam prompts sintéticos.
Os dados são gerados por um modelo professor maior, que primeiro tenta fazer as alterações, e depois passam por verificadores determinísticos e por um modelo de visão que avalia o resultado; o pipeline consegue se corrigir com base no retorno da avaliação. As primeiras versões usaram mais de 250 mil amostras e, nas tarefas de edição, já empatavam com os melhores modelos da época.
A limitação do aprendizado por imitação logo apareceu: o modelo só produzia designs muito parecidos com os exemplos de treino, generalizava mal e aproveitava pouco as amostras. A equipe passou então ao aprendizado por reforço, com foco em ambientes de treino do domínio do design, diversidade de amostras, modelos de recompensa e critérios de avaliação escritos por especialistas em design. Ao trocar a base para o Qwen 3.8 27B, também avaliou séries mais novas do Qwen, o Muse Spark Open e o Inkling.
Os números depois do lançamento
A Figma divulgou algumas mudanças entre a versão beta e a versão oficial:
- a velocidade em tarefas típicas subiu cerca de 20%;
- em testes cegos com designers profissionais, o novo agente foi melhor ou equivalente ao antigo em 62% das comparações;
- a avaliação dos usuários ficou 33% maior, e o número de desfazimentos de alterações do agente caiu 60%;
- a parcela do trabalho feita pelo modelo próprio mais que dobrou, e o custo médio por mensagem diminuiu.
A divisão de tarefas também ficou clara: edições precisas e iterações em várias rodadas ficam com o modelo próprio, enquanto a geração de imagens, gráficos vetoriais e a exploração de novos designs do zero continuam usando o melhor modelo de terceiros.
Outras empresas no mesmo caminho
Nos últimos dois anos, cada vez mais empresas passaram a usar bases abertas para fazer pós-treinamento setorial. A Cursor treinou modelos próprios para completar e reescrever código; o CEO do Airbnb, Brian Chesky, já disse publicamente no ano passado que os agentes de atendimento da empresa usam muito o Qwen. A lógica da Figma é parecida: os modelos de uso geral são bons em criar algo do zero, mas fazer alterações pequenas e precisas no trabalho de outra pessoa, sem quebrar o sistema de design, depende de muitos dados da própria área.
O ponto de interesse está na base. Uma empresa americana de software de design construir sua capacidade central de edição sobre o Qwen mostra que os modelos abertos chineses já são uma opção em produtos comerciais no exterior. Quanto o custo caiu exatamente, onde o modelo de 27B está hospedado e qual nuvem faz a inferência, a Figma não divulgou.
Fontes: CocoLoop, blog oficial da Figma; o blog oficial foi usado para conferir o modelo de base, o volume de amostras de treino e a pontuação no teste interno, e os indicadores pós-lançamento seguem os números informados pela própria Figma.