Een team van onderzoekers heeft een nieuwe technologische benadering ontwikkeld voor het creëren van commerciële visuals. Het systeem, genaamd CommerceVibe, wijkt af van traditionele AI-beeldgeneratoren door advertenties niet als statische afbeeldingen te produceren, maar als aanpasbare code. Deze innovatie beoogt de tekortkomingen van huidige diffusiemodellen op te lossen, die vaak kampen met vervormde teksten en inconsistenties in productdetails.
Volgens een wetenschappelijke publicatie op arxiv.org leiden conventionele modellen vaak tot een 'platte' rasteruitvoer. Dit betekent dat de gegenereerde beelden minder flexibel zijn en vaak handmatige correcties vereisen voordat ze commercieel inzetbaar zijn. CommerceVibe pakt dit aan door het ontwerp van marketinguitingen te behandelen als programmasynthese. In plaats van pixels genereert het model uitvoerbare visuele code in de vorm van HTML en CSS.
Door productinformatie, specifieke ontwerpeisen en afbeeldingen van producten te combineren, creëert het systeem renderbare uitingen. Het fundamentele voordeel van deze methode is dat de resultaten volledig bewerkbaar en herbruikbaar blijven. Dit geeft ontwerpers een mate van controle die bij standaard generatieve AI-tools vaak ontbreekt. Terwijl populaire designplatforms zoals canva.com veelvuldig worden ingezet voor visuele creaties, richt CommerceVibe zich specifiek op de automatisering van dit proces via programmeerbare code.
De technologische kern van CommerceVibe rust op een methode genaamd 'dual-feedback reinforcement learning'. Hierbij wordt het model gestuurd door twee verschillende feedbackstromen om de kwaliteit te optimaliseren. Enerzijds is er regelgebaseerde feedback, die technische aspecten zoals de lay-out en de leesbaarheid van de tekst controleert. Anderzijds wordt visuele feedback gebruikt, waarbij een vision-language model (VLM) de uiteindelijke renders beoordeelt op basis van zes commerciële en perceptuele dimensies.
Voor de technische realisatie is het Qwen3.5-9B model gebruikt. Dit model is via supervised fine-tuning (SFT) getraind met een dataset die meer dan 28.000 e-commerce voorbeelden bevat. De effectiviteit van deze aanpak is getest via een benchmark van 1.300 scenario's. In de resultaten van het komt naar voren dat het geoptimaliseerde model een gewogen score van 94,0/100 behaalde, wat aanzienlijk hoger is dan de score van 87,3 voor de variant die enkel via SFT was getraind.
De superieure prestaties van het systeem werden bovendien bevestigd door blinde evaluaties van vijf experts in e-commerce design. Het model presteerde hierbij beter dan diverse sterke externe alternatieven. Door de focus te leggen op code in plaats van statische beelden, biedt CommerceVibe een schaalbare oplossing voor bedrijven die behoefte hebben aan visuals die zowel professioneel als eenvoudig aanpasbaar zijn. Voor gebruikers die handmatige grafische ondersteuning zoeken, blijven tools zoals canva.com relevant, maar de verschuiving naar programmeerbare visuals opent nieuwe mogelijkheden voor automatisering in de digitale handel.