Создание презентаций локальными ИИ-моделями: подход IBM Research к верстке слайдов
Исследователи IBM представили Palette — систему на базе 20-миллиардной модели, которая разделяет процесс создания презентации на работу дизайнера и программиста для точного соблюдения корпоративного стиля.
Главное за 30 секунд
Разделение процесса на планирование и написание кода позволяет небольшим локальным моделям создавать презентации корпоративного качества, решая проблемы геометрии слайдов и конфиденциальности данных.
- Модель Palette имеет размер 20 млрд параметров (20B).
- Параллельная генерация кода для слайдов ускоряет процесс в 6–7 раз.
- Обучающая выборка состояла из ~1000 презентаций и ~10 000 слайдов.
- На бенчмарке PresentBench модель набрала 59.7 балла, уступив только NotebookLM (60.8).
Неочевидное: Обучение модели на контрфактических примерах (объяснение того, почему альтернативный дизайн был отвергнут) оказалось ключевым фактором для понимания нейросетью логики верстки, а не простого копирования шаблонов.
Суть
Подразделение IBM Research разработало Palette — методику обучения небольших открытых моделей созданию презентаций в строгом соответствии с корпоративным дизайном. Этот подход решает две главные проблемы использования крупных языковых моделей (LLM) для верстки слайдов: невозможность удержать специфический стиль компании и риски утечки конфиденциальных данных. Обученная модель с 20 млрд параметров (20B) способна работать на локальной инфраструктуре, не уступая по качеству коммерческим аналогам.
Контекст
Передовые закрытые модели хорошо справляются с созданием презентаций, но их результаты часто выглядят шаблонно. При попытке заставить их использовать корпоративный шаблон, они неизбежно возвращаются к собственному стилю.
Локальные открытые модели могли бы решить проблему приватности, но они плохо справляются с геометрией слайдов. Нейросеть не рисует слайд, а пишет код, задавая координаты, ширину и размер шрифта. Маленькие модели часто ошибаются в расчетах, из-за чего текст выходит за пределы экрана, а фигуры накладываются друг на друга. Кроме того, создание презентации требует одновременного принятия редакторских решений (что оставить на слайде) и геометрических (где это разместить).
Детали
Для решения этих проблем IBM разделила задачу на две роли, которые выполняет одна модель с помощью LoRA-адаптера:
- Дизайнер: читает план и пишет структурированный бриф в формате JSON. Он определяет палитру, шрифты, макет каждого слайда, точное содержание и краткое обоснование дизайна.
- Программист: берет спецификацию одного слайда из брифа и пишет код на JavaScript (библиотека pptxgenjs) для его отрисовки.
Поскольку контекст каждого слайда фиксируется на этапе брифа, программист генерирует код для всех слайдов параллельно, что ускоряет процесс в 6–7 раз.
Для обучения использовались синтетические данные, созданные крупной открытой моделью-учителем: около 1000 презентаций, охватывающих примерно 10 000 слайдов. Важной частью обучения стало контрфактическое рассуждение — модель училась не только правильному выбору, но и объяснению, почему альтернативный вариант был отвергнут.
Каждая сгенерированная презентация проходит через систему проверки (harness). Геометрический чекер выявляет наложения и выход текста за границы. Если слайд сломан, отдельная модель-редактор переписывает код. Исправление сохраняется только в том случае, если чекер подтверждает улучшение. На выборке из 131 презентации эта система добавляет в среднем 3.5 балла к оценке.
Анализ
Разделение логики и верстки оказалось крайне эффективным. На независимом бенчмарке PresentBench модель Palette заняла первое место в категориях Economics и Education, где важна точность числовых данных и структурированный контент. В категории Talk модель стала третьей.
В среднем по трем доменам открытая 20B-модель заняла второе место с результатом 59.7 балла, уступив лишь NotebookLM (60.8) и обойдя остальные системы. Также разработчики реализовали систему директив: пользователи могут вписывать прямые команды в двойных скобках (например, [[make this a timeline]]), чтобы управлять форматом вывода.
Перспектива
Успех Palette показывает, что небольшие модели могут эффективно решать сложные задачи форматирования, если архитектура системы имитирует человеческий рабочий процесс (планирование, затем исполнение) и включает автоматическую проверку результатов. Ожидается, что подобные конвейеры с разделением ролей станут стандартом для внедрения локального ИИ в корпоративный документооборот, где важны точность и соблюдение гайдлайнов.
