IBM Research 發布了名為 Palette 的新方法，旨在讓小型開源權重模型能夠根據使用者的特定設計語言生成高品質的簡報。傳統的大型前沿模型雖然能生成美觀的簡報，但往往會回歸到預設的「AI 風格」，且無法處理機密資料或自訂模板需求。然而，適合本地部署的小型開放權重模型在生成簡報時常出現排版錯誤，如文字溢出、圖形重疊等問題。
Palette 的核心策略是將簡報製作過程拆解為兩個角色：「設計師」與「程式碼編寫者」，並透過單一 LoRA 適配器實現。設計師負責閱讀計畫並生成結構化的 JSON 簡報規格（包含調色盤、字體系統及每頁的佈局與內容）；程式碼編寫者則根據該規格撰寫 pptxgenjs JavaScript 代碼以繪製單張投影片。這種分工讓模型能分別處理編輯判斷與幾何定位，並允許平行生成各頁代碼，使編碼階段速度提升約 6-7 倍。
在訓練數據方面，團隊利用大型開放教師模型合成了約 1000 份簡報（涵蓋約 10,000 張投影片），這些數據遵循 IBM Design Language。為了確保數據品質，每個範例都包含反事實推理鏈（counterfactual reasoning），解釋為何選擇某種設計而拒絕其他選項。此外，系統採用「參考簡報」而非僅靠提示規則來糾正教師模型的幻覺問題，因為實驗發現模型更傾向於模仿參考範例而非遵循指令。
為了增強控制力，Palette 支援在計畫中嵌入以 [[ ]] 包裹的自然語言指令（directives），例如 [[make this a timeline]] 或 [[no pricing]]，讓模型能根據這些指令調整輸出。系統還配備了一個檢查與修復框架（harness），在生成後自動檢測並修復排版錯誤（如重疊、溢出）。該框架僅在確認改進時才保留修復結果，確保安全性。測試顯示，加入此框架平均可使 PresentBench 分數提升 3.5 分。
評估結果顯示，Palette 在 PresentBench 的三個領域中表現優異：在經濟學和教育領域排名第一，在演講（Talk）領域排名第三，三領域平均分排名第二，僅落後於 NotebookLM 1.1 分。這證明了經過適當訓練與工具輔助的小型開源模型，能在保持資料隱私與自訂風格的同時，達到接近前沿系統的水準。
尚待確認：原文未提供 Palette 具體的訓練時間、硬體資源消耗或推理延遲數據，僅提及編碼階段速度提升約 6-7 倍。
尚待確認：PresentBench 評估中提到的「其他五個系統」具體名稱未在正文詳細列出，僅在圖表說明中提及與 NotebookLM、Manus 1.6 等比較。
尚待確認：原文提到未來計畫使用 GRPO 風格訓練及 Docling 提取圖片，但這些功能尚未實現或驗證。
事件背景
PresentBench 是一個用於評估生成簡報品質的基準測試，從基礎、視覺設計、完整性、正確性和忠實度五個標準進行評分。該基準提供源文件而非計畫，因此評估時需由另一個前沿模型先從文件中起草計畫，再由 Palette 根據該計畫生成簡報。IBM Design Language 是 IBM 公司內部使用的設計規範系統，Palette 的訓練數據遵循此語言以確保輸出符合企業級設計標準。LoRA（Low-Rank Adaptation）是一種參數高效微調技術，僅調整模型權重的一小部分，能在不破壞基礎模型原有知識的情況下教授新格式與技能。pptxgenjs 是一個用於生成 PowerPoint 檔案的 JavaScript 庫。
