眼见为实：用于迭代文本布局优化的视觉反馈

近期多模态大语言模型实现了从自然语言描述自动生成结构化布局。现有方法通常仅生成代码并由图形引擎渲染，缺乏对最终视觉效果的感知，难以保证可读性与美观度。本文提出视觉反馈布局模型（VFLM），一种利用视觉反馈进行迭代优化的自改进框架。该模型具备自适应反思生成能力，通过结合 OCR 准确率的视觉奖励模型进行强化学习，仅奖励最终生成结果以激发模型的迭代反思能力。实验表明，VFLM 在多个基准测试中优于现有先进模型。