公式発表の解説

Figmaエージェントの編集モデル訓練法と効果を解説

Figmaは2026年10月29日、キャンバス上の既存デザインを直す作業に特化した編集モデルの訓練方法を公式ブログで公開した。教師あり微調整に加えて強化学習も取り入れているとしており、エージェントの速さや評価の数字も示している。この記事では、出典に書かれた事実だけを整理し、日本の利用者が何を確かめればよいかをまとめる。

このサイトはFigmaの公式サイトではありません。公式の発表を元に日本語で整理した解説で、機能・料金・提供状況は変わるため、重要な判断では必ず下の出典と公式の最新情報も確認してください。

最初に結論

Figmaは、デザインの細かな編集に強い自社の後学習モデルをFigmaエージェントに組み込んでいるとしている。発表日は2026年10月29日で、書き手はエンジニアリング担当VPのJosh Clemm氏だ。余白を直す、色を変える、フィードバックを受けてレイアウトをやり直すといった、日々の小さな反復作業を対象にしている。

同社は、エージェントが公開ベータから一般提供に至るまでの間に、典型的な作業が約20%速くなったとしている。また、専門のデザイナーによる比較テストで、従来のエージェントに勝つか並ぶ割合が62%だったという。ユーザー評価は33%高く、エージェントの作業を取り消す頻度は60%少ないとのことだ。

ただし、これらは同社自身が示した数字であり、読者の環境で同じ結果になると言える材料は出典にない。まずは仕組みの考え方を理解し、自分の作業で試して確かめるのが現実的だ。

何が発表されたか

今回の記事は、新機能の告知というより、編集モデルをどう育てたかの技術的な説明である。Figmaは、日常のデザイン作業の多くが「検証しにくい」性質を持つと説明している。ある変更は、それまでに積み重ねた判断の上に成り立つため、正解を機械的に決めにくいという考え方だ。

最初の段階では、教師あり微調整(SFT)を使ったとしている。訓練例は、元のデザイン、合成した編集依頼、成功した変更の例を組にしたものだ。デザインはFigmaのネイティブなファイル形式で表現し、モデルが出した変更をキャンバスに戻せるようにしたという。デザインシステムの部品が必要な課題では、テーマやコンポーネントの変更を扱う合成の依頼文も作ったとしている。

編集の例は、より大きな教師モデルに試させ、決まった規則で確かめる検証器と、見た目を判定するモデルで候補を検査する流れだ。出力が正しい形か、依頼を満たしているかも見る。生成の流れには、評価側の指摘を受けて編集を直す自己修復の仕組みもあったとしている。

初期のLlama 3.3 70Bのモデルは、250,000を超える例で訓練され、当時の上位モデルに並ぶ編集性能を出せたとのことだ。その後はQwenの新しいモデル、Muse Spark Open、Inklingなど、より能力の高い基盤モデルへ移ったとしている。

SFTだけでは限界があったとも述べている。模倣学習は訓練で見た結果に似たデザインを作る力は伸ばすが、一般化が弱まる。さらに標本効率が悪く、課題の多様な側面を覆うために多くの例が要る。そこで最新の訓練方針に強化学習(RL)を加えた。デザイン領域に合った環境、例の多様性、報酬モデルの形づくり、専門家が書いた基準の拡充に力を入れるとしている。

評価についても説明がある。Figma内で動くか、指示に従うか、既存デザインに有用な変更を加えるかに加え、速度と費用も見るとしている。品質は一つの指標にまとめず、整列、コントラスト、依頼の達成、正しい部品の使用などを分けて評価する。構造のチェックと視覚的な判定を組み合わせ、専門のデザイナーが較正と確認を行う。出典には、アイコンと文字の重なり、途中で切れた矢印、文字要素の重なりが、AI生成デザインでよくある誤りとして挙げられている。

エージェントでの使い分けも示された。画像生成、ベクター、まったく新しいデザインの探索などでは、利用できる最良の外部モデルを使うとしている。精密な編集や反復で自社モデルが得意な部分は、自社モデルに任せる。自社の後学習モデルが担う作業の割合は、倍以上になったとしている。平均のメッセージあたり費用も下がったという。ただしこの改善はモデルだけでなく、ツールや実行基盤を含むエージェント全体の改良によるものだと説明している。

日本の利用者にとっての意味

出典の事実から言えるのは、次の点に限られる。第一に、Figmaエージェントは単一のモデルではなく、自社モデルと外部の主要モデルを作業に応じて使い分ける構成だということだ。細かな編集は自社モデル、新規の探索や画像生成は外部モデルという分担なので、依頼の種類によって結果の傾向が変わる可能性がある。

第二に、編集の質は「文脈」にも左右するとしている点だ。エージェントにはキャンバスとデザインシステムの文脈、そして変更を実行するツールが必要だと書かれている。デザインシステムの部品を整えている人ほど、部品を正しく使う編集を評価しやすいはずだが、これは出典が直接述べた効果ではなく、評価の観点として読める範囲にとどめておく。

第三に、速さと取り消しの数字は、日々の反復作業の負担軽減を目指す方向性を示すものだ。ただし、日本語の依頼文での性能、日本の利用者への提供範囲、料金は出典に書かれていない。そのため、日本の読者が同じ恩恵を受けられるとは、この記事では断定しない。

またプライバシーについて、同社は顧客のプライバシーと意向を尊重する形で訓練しているとしている。詳細は同社の別ページに案内があるとされているので、業務で使う場合は自社の方針と照らして読むとよい。

まずやること

出典に無い画面操作は書けないため、確かめる観点を中心に挙げる。

よくある疑問

Q. この自社モデルはすべての作業を担当するのか。

A. 担当しない。画像生成、ベクター、新規のデザイン探索などは外部の最良モデルを使い、精密な編集や反復に自社モデルを使うとしている。

Q. 訓練はSFTだけで行っているのか。

A. 違う。初期はSFTが中心だったが、一般化や標本効率の限界を理由に、最新の訓練方針では強化学習も加えているとしている。

Q. 20%や62%などの数字は誰でも再現できるのか。

A. 出典からは分からない。同社の内部評価や専門デザイナーとの比較テストに基づく数字で、日本の環境や日本語での再現性は書かれていない。

この記事で確認できていないこと

出典と確認日

この記事は上の出典に書かれている内容だけを元にしています。出典の更新があったときは、出典のページを優先してください。