Les outils d'automatisation de la conception électronique (EDA) jouent un rôle crucial dans la conception physique des puces modernes, mais ils peinent souvent à fournir des retours interprétables ou des conseils actionnables pour améliorer la congestion de routage. Pour remédier à cela, les auteurs introduisent un assistant basé sur un grand modèle de langage multimodal (MLLM) qui prédit non seulement la congestion, mais propose également des suggestions de conception compréhensibles par l'humain. Leur méthode combine la génération automatique de caractéristiques grâce à un guidage génétique piloté par MLLM avec un cadre d'apprentissage de préférences interprétables qui modélise les compromis pertinents pour la congestion à travers des entrées visuelles, tabulaires et textuelles. Ces informations sont compilées dans un 'Design Suggestion Deck' qui met en évidence les caractéristiques de mise en page les plus influentes et propose des optimisations ciblées. Les expériences menées sur le benchmark CircuitNet démontrent que leur approche surpasse les modèles existants en termes de précision et d'explicabilité. De plus, une étude de cas sur les suggestions de conception et des analyses qualitatives confirment que les préférences apprises sont alignées avec les principes de conception du monde réel et sont actionnables pour les ingénieurs. Ce travail met en lumière le potentiel des MLLM en tant qu'assistants interactifs pour une optimisation de la conception physique interprétable et contextuelle.