Figma, 디자인 편집 모델 훈련 방식 공개

Figma는 캔버스에 있는 디자인을 정밀하게 수정하는 편집 모델이 모든 사용자에게 제공되는 Figma 에이전트에 포함됐다고 밝혔습니다. 일반적인 작업 처리 속도는 베타에서 정식 출시까지 약 20% 빨라졌습니다. 전문 디자이너가 참여한 비교 시험에서 에이전트는 이전 운영 버전보다 62%의 경우 더 나은 성과를 내거나 동률을 기록했고, 사용자 평점은 33% 높았으며 작업을 되돌리는 횟수는 60% 줄었습니다. Figma는 자체 후학습 디자인 모델이 처리하는 작업 비중을 두 배 넘게 늘리고 메시지당 평균 비용을 낮췄다고 밝혔습니다. 회사는 모델과 도구, 에이전트 작동 기반을 포함한 전반적 개선에 이런 변화를 돌렸습니다.

Figma는 처음에 캔버스에 있는 작업의 간격이나 색상을 바꾸고, 피드백에 따라 레이아웃을 수정하는 일을 돕는 데 초점을 뒀습니다. 회사는 이런 일상적 작업이 여러 차례 수정되는 데다 자동 검증이 어려운 경우가 많고, 편집이 느리면 디자이너의 작업 흐름이 끊길 수 있다고 설명했습니다. 개발을 시작했을 당시의 최첨단 모델은 많은 시스템 프롬프트를 넣지 않으면 Figma 문법을 이해하지 못했고, 프롬프트에 토큰이 많이 들었다고 Figma는 밝혔습니다. 이에 원하는 결과물과 짝지은 사례로 모델을 학습하는 지도 미세조정을 택했습니다. 각 사례에는 시작 디자인, 생성형 합성 수정 요청, 성공적으로 반영된 편집 결과가 포함됐습니다. 모델이 캔버스에 적용할 수 있는 변경 사항을 만들도록 디자인은 Figma 고유 파일 형식으로 구성했으며, 디자인 시스템의 테마와 구성 요소가 필요한 작업에는 합성 프롬프트도 포함했습니다.

더 큰 교사 모델들이 편집 후보를 만들면 Figma는 규칙 기반 검증기와 시각 모델 심사자를 이용해 결과의 유효성과 요청 이행 여부를 확인했습니다. 생성 과정은 평가자의 피드백을 바탕으로 편집 내용을 수정할 수 있었습니다. Figma는 이전에 25만 건이 넘는 사례로 학습한 Llama 3.3 70B 모델이 당시 편집 작업에서 최고 수준 모델과 경쟁할 만한 성능을 냈다고 밝혔습니다.

이후 Figma는 Qwen 모델, Muse Spark Open, Inkling을 포함해 성능이 더 뛰어난 기반 모델을 활용하기 시작했습니다. 회사는 이 작업에서 지도 미세조정만으로는 한계가 있었다고 설명했습니다. 모방 학습은 일반화 능력을 떨어뜨릴 수 있고, 다양한 작업 요소를 익히려면 많은 사례가 필요해 표본 효율도 낮았다는 것입니다. Figma는 강화학습에도 투자하고 있으며, 디자인 분야의 학습 환경과 사례의 다양성, 보상 모델, 디자이너의 우선순위를 반영하도록 전문가가 작성한 기준을 개선하고 있습니다.

Figma는 모델이 Figma 안에서 작업할 수 있는지, 지시를 따르고 유용한 편집을 빠르고 낮은 비용으로 수행하는지 평가합니다. 평가에는 디자인 구조 검사와 시각적 판단이 함께 쓰이며, 전문 디자이너가 결과를 조정하고 검토합니다. 회사는 정렬과 대비처럼 디자인 품질에는 서로 다른 기준이 있고, 편집 결과가 세련돼 보여도 요청을 놓치거나 잘못된 구성 요소를 쓸 수 있다고 설명했습니다. Qwen 3.8 27B를 후학습한 미출시 편집 모델과 외부 모델의 비교 결과도 제품 결정에 활용되는 여러 자료 중 하나입니다.

Figma 에이전트는 자체 특화 편집 모델과 외부 모델을 작업별로 함께 사용합니다. 이미지 생성, 벡터 작업, 새로운 디자인 탐색에는 외부 모델을 쓰고, 정밀한 수정과 반복 작업에는 자체 모델을 활용합니다. 에이전트는 캔버스와 디자인 시스템의 맥락, 요청한 변경을 수행하는 도구도 사용합니다. Figma는 후학습이 모델의 담당 작업 수행을 돕는다고 밝혔습니다. 회사는 모델이 반복적인 디자인 작업을 지원하는 더 넓은 에이전트 개선의 일부이며, 고객의 개인정보와 선호를 존중하며 학습한다고 설명했습니다.

Figma는 캔버스에 있는 디자인을 정밀하게 수정하는 편집 모델이 모든 사용자에게 제공되는 Figma 에이전트에 포함됐다고 밝혔습니다. 일반적인 작업 처리 속도는 베타에서 정식 출시까지 약 20% 빨라졌습니다. 전문 디자이너가 참여한 비교 시험에서 에이전트는 이전 운영 버전보다 62%의 경우 더 나은 성과를 내거나 동률을 기록했고, 사용자 평점은 33% 높았으며 작업을 되돌리는 횟수는 60% 줄었습니다. Figma는 자체 후학습 디자인 모델이 처리하는 작업 비중을 두 배 넘게 늘리고 메시지당 평균 비용을 낮췄다고 밝혔습니다. 회사는 모델과 도구, 에이전트 작동 기반을 포함한 전반적 개선에 이런 변화를 돌렸습니다.

Figma는 처음에 캔버스에 있는 작업의 간격이나 색상을 바꾸고, 피드백에 따라 레이아웃을 수정하는 일을 돕는 데 초점을 뒀습니다. 회사는 이런 일상적 작업이 여러 차례 수정되는 데다 자동 검증이 어려운 경우가 많고, 편집이 느리면 디자이너의 작업 흐름이 끊길 수 있다고 설명했습니다. 개발을 시작했을 당시의 최첨단 모델은 많은 시스템 프롬프트를 넣지 않으면 Figma 문법을 이해하지 못했고, 프롬프트에 토큰이 많이 들었다고 Figma는 밝혔습니다. 이에 원하는 결과물과 짝지은 사례로 모델을 학습하는 지도 미세조정을 택했습니다. 각 사례에는 시작 디자인, 생성형 합성 수정 요청, 성공적으로 반영된 편집 결과가 포함됐습니다. 모델이 캔버스에 적용할 수 있는 변경 사항을 만들도록 디자인은 Figma 고유 파일 형식으로 구성했으며, 디자인 시스템의 테마와 구성 요소가 필요한 작업에는 합성 프롬프트도 포함했습니다.

더 큰 교사 모델들이 편집 후보를 만들면 Figma는 규칙 기반 검증기와 시각 모델 심사자를 이용해 결과의 유효성과 요청 이행 여부를 확인했습니다. 생성 과정은 평가자의 피드백을 바탕으로 편집 내용을 수정할 수 있었습니다. Figma는 이전에 25만 건이 넘는 사례로 학습한 Llama 3.3 70B 모델이 당시 편집 작업에서 최고 수준 모델과 경쟁할 만한 성능을 냈다고 밝혔습니다.

이후 Figma는 Qwen 모델, Muse Spark Open, Inkling을 포함해 성능이 더 뛰어난 기반 모델을 활용하기 시작했습니다. 회사는 이 작업에서 지도 미세조정만으로는 한계가 있었다고 설명했습니다. 모방 학습은 일반화 능력을 떨어뜨릴 수 있고, 다양한 작업 요소를 익히려면 많은 사례가 필요해 표본 효율도 낮았다는 것입니다. Figma는 강화학습에도 투자하고 있으며, 디자인 분야의 학습 환경과 사례의 다양성, 보상 모델, 디자이너의 우선순위를 반영하도록 전문가가 작성한 기준을 개선하고 있습니다.

Figma는 모델이 Figma 안에서 작업할 수 있는지, 지시를 따르고 유용한 편집을 빠르고 낮은 비용으로 수행하는지 평가합니다. 평가에는 디자인 구조 검사와 시각적 판단이 함께 쓰이며, 전문 디자이너가 결과를 조정하고 검토합니다. 회사는 정렬과 대비처럼 디자인 품질에는 서로 다른 기준이 있고, 편집 결과가 세련돼 보여도 요청을 놓치거나 잘못된 구성 요소를 쓸 수 있다고 설명했습니다. Qwen 3.8 27B를 후학습한 미출시 편집 모델과 외부 모델의 비교 결과도 제품 결정에 활용되는 여러 자료 중 하나입니다.

Figma 에이전트는 자체 특화 편집 모델과 외부 모델을 작업별로 함께 사용합니다. 이미지 생성, 벡터 작업, 새로운 디자인 탐색에는 외부 모델을 쓰고, 정밀한 수정과 반복 작업에는 자체 모델을 활용합니다. 에이전트는 캔버스와 디자인 시스템의 맥락, 요청한 변경을 수행하는 도구도 사용합니다. Figma는 후학습이 모델의 담당 작업 수행을 돕는다고 밝혔습니다. 회사는 모델이 반복적인 디자인 작업을 지원하는 더 넓은 에이전트 개선의 일부이며, 고객의 개인정보와 선호를 존중하며 학습한다고 설명했습니다.