70亿参数小模型，竟追平GPT-4o图表代码能力

你让AI根据一张折线图生成代码，它敲出的程序运行后，坐标轴标签挤成一团，颜色也和原图完全不符。你把结果反馈给它，要求修改——但多数大模型要么输出更混乱的代码，要么干脆重复之前的错误。这不是某款模型的缺陷，而是当前多模态AI的普遍困境：它们能‘写代码’，却不会‘改代码’。直到亚马逊AGI团队的MM-ReCoder出现，这个70亿参数的小模型不仅能生成图表代码，还能像人类程序员一样反复调试优化，甚至在多项测试中追平了GPT-4o这类千亿参数的巨无霸。它是怎么做到的？

先练‘基本功’，再学‘改错题’

MM-ReCoder的训练逻辑像极了人类学编程：先打基础，再练调试。

第一步是‘冷启动’——用16万对‘图表-代码’数据做监督微调，让模型先学会最基本的‘看图写代码’能力，就像新手先背熟语法和例题。但光会写还不够，它得知道‘怎么改’。研究团队用2350亿参数的超大模型自动生成了一批‘错误代码-反馈-修正代码’的对话样本，过滤掉那些越改越差的无效案例，再用这些高质量的‘改题范本’微调模型，让它先看懂‘正确的修正逻辑是什么’。

这两步走完，模型已经能模仿修正的格式，但还不理解‘为什么要这么改’。真正的突破，来自后续的两阶段强化学习。

两阶段强化学习，逼出‘自我校正’能力

研究团队没有直接让模型自由迭代，而是拆成了两个针对性的强化学习阶段，用的是一种叫GRPO的算法——简单说，就是让模型生成多个修改方案，在小组里‘比拼’，比平均水平好的就给奖励，差的就调整策略，比传统算法更稳定。

第一阶段是‘共享首轮优化’：固定一段有缺陷的初始代码和它的运行结果，让模型围绕这个‘错题’生成8种不同的修正方案，只优化这些修正方案。这相当于把模型按在‘错题本’前，强制它专注于‘怎么从错误中修正’，而不是重新写一份新代码。

第二阶段是‘全轨迹优化’：放开限制，让模型独立生成从‘初始代码’到‘修正代码’的完整流程，优化整个创作轨迹。这时候模型已经学会了‘改’，现在要练的是‘一开始就尽量写好’，同时保留修正的能力。

两个阶段结束后，模型就成了既能一次生成高质量代码，又能反复迭代优化的‘全能选手’。

三重奖励：既要细节准，也要看着美

强化学习的核心是‘奖励什么，模型就会往什么方向走’。MM-ReCoder用了三重奖励机制，既抓细节，又保美观。

第一重是‘规则奖励’：通过拦截图表渲染的底层数据，精确对比生成图和原图的类型、文字、颜色、布局等细节，确保代码在功能上完全正确——但它管不了‘文字重叠’这种‘看起来不好但技术上合规’的问题。

第二重是‘模型奖励’：用720亿参数的多模态模型当‘评委’，从图表类型、布局、清晰度等6个维度打分，补上规则奖励的盲区，惩罚那些‘技术正确但视觉糟糕’的输出。

第三重是‘格式奖励’：鼓励模型先输出<think>思考过程</think>再写代码，强化它的逻辑推理习惯。

三者加权结合，就成了驱动模型进化的‘指挥棒’。在ChartMimic等三个主流测试集上，这个70亿参数的小模型不仅远超同规模对手，还在多项指标上追平了GPT-4o。更关键的是，在‘初始代码已可运行，只需优化质量’的高难度测试中，它是唯一一个越改越好的开源模型——其他模型要么原地踏步，要么越改越差。

MM-ReCoder的突破，本质上是让AI学会了‘对自己的输出负责’。过去的多模态AI更像‘一次性打字机’，而现在它开始拥有‘程序员的思维’——不是靠记忆例题，而是靠反馈迭代。

当然它也有局限：目前只能处理Matplotlib图表，奖励计算依赖大模型导致成本较高，还不会用静态代码分析工具找深层错误。但它证明了一件事：参数规模不是AI能力的唯一决定因素，训练方法的创新，能让小模型爆发出意想不到的能量。

小模型的未来，在于学会自我进化。