可伸缩矢量图形（SVG）生成随着生成模型在表现力和可控性上的提升受到越来越多关注。然而，缺乏面向该领域的评估协议限制了进展。当前普遍使用的指标如 CLIPScore 只在自然图像上训练，未针对矢量图形进行优化，且仅部分符合人类判断。我们首先通过受控的标题和图像扰动实验发现，基于 CLIP 的评分对 SVG 生成器常见错误（如颜色、数量、空间关系错误）几乎不敏感；而现成的视觉语言模型（VLM）评审虽然更敏感，却在不同错误类型和 SVG 风格之间表现不均衡。随后，我们构建了一个人工标注的“语义对齐”数据集，用于衡量生成的 SVG 与标题的匹配程度。基于该数据集，我们提出两种互补评估器：① 经过向量图形适配并对齐人类偏好的 CLIP 打分器，适用于大规模快速评估；② 通过监督微调和奖励形状强化学习训练的 VLM 判官，提供更具表现力和可解释性的评估。利用这两种评估器，我们在独立的标题集上对主流开源、商业以及基于优化的 SVG 生成器进行了基准测试。
点评