Palette é um modelo de geração de apresentações derivado de um modelo open weight de 20B, ou seja, cujos pesos são acessíveis e que pode funcionar numa infraestrutura própria. Os seus autores treinaram-no para produzir slides na linguagem de design da IBM. No benchmark PresentBench, ele ocupa o primeiro lugar em duas das três áreas medidas e o segundo na média das três áreas, atrás do NotebookLM.
Pedir uma apresentação a um grande modelo de linguagem geralmente dá um resultado correto, mas as produções acabam por se assemelhar de um pedido para o outro, com um estilo próprio reconhecível. Para uma empresa que quer respeitar o seu próprio modelo de apresentação, ou que precisa de manter conteúdos confidenciais nos seus servidores, esta abordagem rapidamente atinge os seus limites. Os pequenos modelos open weight, por sua vez, produzem frequentemente slides defeituosos: títulos perdidos no fundo, texto a transbordar, formas sobrepostas.
Um designer e um programador
O problema reside em três dificuldades. O modelo não vê o slide que está a construir: escreve código que coloca cada elemento numa posição, largura e tamanho de letra dados, e só descobre os seus erros após a renderização. Também tem de tomar dois tipos de decisões ao mesmo tempo, editoriais (o que dizer, que gráfico escolher) e geométricas (onde colocar os elementos). Por fim, faltavam dados de treino: as apresentações acabadas existem, mas não as razões das escolhas de design nem o código que as produziu.
O Palette segue o método de um humano. Um designer estabelece o plano e redige um briefing estruturado em formato JSON, que especifica a paleta, o sistema tipográfico e, para cada slide, o layout, o conteúdo e uma breve justificação. Um codeur escreve depois, para cada slide, o código pptxgenjs que o desenha, precedido pelo seu raciocínio. Os dois papéis são desempenhados por um único adaptador LoRA, uma pequena camada de treino adicionada ao modelo base sem modificar os seus pesos. Como as chamadas do programador são lançadas em paralelo, uma apresentação por slide, a etapa de codificação seria, segundo os autores, cerca de 6 a 7 vezes mais rápida.
Dados sintéticos e um controlador
Na falta de um corpus público, a equipa gerou cerca de 1000 apresentações, ou seja, quase 10 000 slides, com a ajuda de um grande modelo « professor » de código aberto. Cada exemplo é acompanhado por um raciocínio contrafactual, que menciona uma alternativa e explica por que foi rejeitada. Quando um slide gerado apresenta um defeito, ele é corrigido e o seu raciocínio é reescrito em conformidade.
Para garantir a fidelidade ao conteúdo de origem, os autores constataram que uma regra no prompt não era suficiente. O que funcionou foi a correção das apresentações de referência fornecidas ao professor, que as copia muito mais do que segue as instruções. Os utilizadores também podem orientar o resultado com diretivas escritas entre duplos parênteses retos, como « [] ». Estas diretivas, distribuídas em doze categorias, são formuladas de várias maneiras nos dados de treino.
Antes de devolver uma apresentação, o Palette passa por um sistema de verificação. Regras simples corrigem os erros conhecidos, depois cada slide é renderizado e medido por um controlador geométrico que sinaliza textos que se sobrepõem, são cortados ou saem da página. Os slides sinalizados são reescritos por um modelo editor separado, mas a reescrita só é mantida se o controlador confirmar a melhoria. Em 131 apresentações do PresentBench, o sistema adiciona em média 3,5 pontos.
Resultados contrastantes
O PresentBench avalia cinco critérios: os fundamentais, o design visual, a exaustividade, a exatidão e a fidelidade. O Palette obtém a sua melhor classificação em Economia e em Educação. Por outro lado, na área Talk, onde as apresentações são narrativas, dois sistemas fechados superam-no e ele classifica-se em terceiro. A média nas três áreas coloca-o em 59,7, contra 60,8 para o NotebookLM.
Os autores indicam que as próximas etapas incluem a utilização dos controlos do sistema como sinais de recompensa para uma aprendizagem por reforço do tipo GRPO, bem como a extração de figuras a partir de documentos de origem com o Docling.
