Технический контекст
Я зацепился не за саму картинку, а за тип ошибки, который там проверяли. Когда я делаю AI implementation в задачах интерфейсов, модели обычно неплохо понимают, что нарисовано, но регулярно ломаются на том, где это должно стоять с точностью до пикселя.
Здесь как раз гоняли такой сценарий: сложная схема, запутанное пространственное расположение, выход в SVG. По обсуждению видно простую вещь: тест не про красоту схемы, а про геометрию, относительные расстояния и аккуратную раскладку элементов без расползания.
Из наблюдений пользователей получилось любопытно: с задачей справился Kimi, и отдельно отметили Sol 5.6 Pro. Остальные либо не тестировали, либо не показали такого же результата. Это не академический бенчмарк, а полевой сигнал, но я такие сигналы обычно не игнорирую.
И вот тут я бы не делал лишних выводов. Публичного, нормального benchmark на pixel-perfect SVG с комплексным spatial positioning сейчас фактически нет. Плюс название Sol 5.6 Pro вообще выглядит как не до конца верифицированное, потому что в открытых источниках обычно всплывает GPT-5.6 Sol, а не эта точная версия.
Но сам паттерн мне знаком: если модель выдерживает SVG с хитрой компоновкой, это хороший индикатор для задач сложной верстки, UI-генерации, диаграмм и визуальных редакторов. Я бы еще отдельно прогнал такие модели на nested-группах, transform, alignment, edge cases с текстом и адаптацией размеров. Вот там многие внезапно начинают фантазировать вместо точного рендера.
Что это меняет для бизнеса и автоматизации
Первое: становится реальнее AI integration для полуавтоматической сборки интерфейсов из скриншотов, вайрфреймов и схем. Не идеальной, но уже достаточно полезной, чтобы экономить часы команды на рутине.
Второе: выигрывают продукты, где много графики с фиксированной структурой. Дашборды, редакторы, внутренние системы, генерация SVG-виджетов, экспорт схем. Проигрывают те, кто надеется, что одна модель без пайплайна сразу даст production-ready pixel perfect.
Я бы здесь не ставил LLM в одиночку. Нормальная AI architecture для таких кейсов это модель плюс валидация координат, постобработка, ограничения по layout и иногда отдельный рендер-движок. Мы в Nahornyi AI Lab как раз собираем такие AI solutions for business, когда нужна не магия в демо, а стабильный результат в процессе.
Если у вас команда тратит время на ручную верстку однотипных экранов, схем или SVG-компонентов, давайте посмотрим на ваш пайплайн. В Nahornyi AI Lab я могу помочь build AI automation под ваш реальный процесс, чтобы это сокращало ручную работу, а не добавляло еще один красивый, но хрупкий инструмент.