VisCoder: Fortschritte in der automatisierten Generierung von Python-Datenvisualisierungen

Von Datenvisualisierung zur Codegenerierung: VisCoder optimiert die Erstellung von Python-Visualisierungen

Die Generierung von Code für Datenvisualisierungen stellt für große Sprachmodelle (LLMs) eine besondere Herausforderung dar. Es reicht nicht aus, syntaktisch korrekten Python-Code zu produzieren. Der Code muss auch die gewünschten visuellen Ergebnisse liefern, was ein Verständnis der zugrundeliegenden Daten und der Visualisierungsbibliotheken erfordert. Ein neues Modell namens VisCoder adressiert diese Herausforderung durch einen innovativen Ansatz, der auf einem umfangreichen Datensatz und der Integration von Feedback-Mechanismen basiert.

Die Herausforderungen der Codegenerierung für Visualisierungen

Bisherige Ansätze zur Instruktionsoptimierung von LLMs für die Codegenerierung stoßen bei Visualisierungsaufgaben häufig an ihre Grenzen. Oftmals fehlt es an einer Überprüfung der Ausführung des generierten Codes und der resultierenden Visualisierung. Dies führt dazu, dass der generierte Code zwar syntaktisch korrekt sein kann, aber dennoch nicht die gewünschte Grafik erzeugt. Ein weiteres Problem ist die begrenzte Unterstützung für iterative Codekorrekturen. Fehler im generierten Code lassen sich oft nur durch Ausprobieren und Anpassen beheben. Dieser Prozess ist zeitaufwendig und erfordert ein tiefes Verständnis der Programmiersprache und der Visualisierungsbibliotheken.

VisCode-200K: Ein neuer Datensatz für die Visualisierungs-Codegenerierung

Um diese Herausforderungen zu bewältigen, wurde VisCode-200K entwickelt, ein umfangreicher Datensatz mit über 200.000 Beispielen für Python-basierte Visualisierungen. Der Datensatz besteht aus zwei Hauptkomponenten: Erstens enthält er validierten Code aus Open-Source-Repositories, gepaart mit natürlichsprachlichen Anweisungen und den dazugehörigen, gerenderten Visualisierungen. Zweitens beinhaltet er 45.000 mehrstufige Korrekturdialoge aus dem Code-Feedback-Datensatz. Diese Dialoge ermöglichen es Modellen, fehlerhaften Code mithilfe von Laufzeit-Feedback zu korrigieren.

VisCoder: Ein feinabgestimmtes LLM für die Visualisierungs-Codegenerierung

VisCoder basiert auf dem Qwen2.5-Coder-Instruct Modell und wurde mit dem VisCode-200K Datensatz feinabgestimmt. Die Evaluierung auf dem PandasPlotBench-Datensatz zeigt, dass VisCoder deutlich besser abschneidet als starke Open-Source-Baselines und sich der Leistung proprietärer Modelle wie GPT-4o-mini annähert. Durch die Integration von Feedback-Mechanismen kann VisCoder iterativ Code korrigieren und so die Qualität der generierten Visualisierungen verbessern. Ein spezielles Selbst-Debugging-Evaluierungsprotokoll unterstreicht die Vorteile des Feedback-gesteuerten Lernens für die Generierung von ausführbarem und visuell korrektem Code.

Die Bedeutung von VisCoder für die Zukunft der Datenvisualisierung

VisCoder stellt einen wichtigen Fortschritt in der automatisierten Generierung von Visualisierungscode dar. Durch die Kombination eines umfangreichen Datensatzes mit Feedback-gesteuertem Lernen ermöglicht VisCoder die Erstellung von komplexen und präzisen Visualisierungen, ohne dass tiefgreifende Programmierkenntnisse erforderlich sind. Dies eröffnet neue Möglichkeiten für die Datenanalyse und -präsentation in verschiedenen Bereichen, von der Wissenschaft und Forschung bis hin zur Wirtschaft und dem Bildungswesen. Die Weiterentwicklung von Modellen wie VisCoder verspricht eine Zukunft, in der die Erstellung von aussagekräftigen Visualisierungen einfacher und effizienter wird.

Bibliographie: http://www.arxiv.org/abs/2506.03930 https://paperreading.club/page?id=313589 https://huggingface.co/TIGER-Lab/VisCoder-7B https://huggingface.co/papers https://arxiv.org/abs/2408.09078 https://github.com/juyongjiang/CodeLLMSurvey https://aclanthology.org/2025.naacl-srw.27.pdf https://www.youtube.com/watch?v=8emsTCNk8Ig http://essay.utwente.nl/95938/1/Bosman_BA_EEMCS.pdf