클라우드 앱 안에서 도는 슬라이드 생성기는 이제 흔하지만, 직접 돌리면서 자기 회사 양식을 가르칠 수 있는 모델은 더 드뭅니다. 작은 오픈 모델은 슬라이드 만들기를 정말로 못하기 때문입니다. 제목이 배경에 묻히고, 글자가 가장자리로 넘치고, 도형이 서로 겹쳐 쌓입니다. IBM의 Palette는 그것을 고치려는 연구 시도이며, 가장 재사용할 만한 아이디어는 모델 자체가 아니라 그 둘레의 방법입니다.
핵심 요령은 덱을 하나의 작업으로 다루기를 그만두는 것입니다. 슬라이드를 만들려면 동시에 서로 다른 두 가지 결정이 필요합니다. 무엇을 말하고 어떻게 보일지라는 편집적 결정과, 어디에 정확히 놓을지라는 기하학적 결정입니다. Palette는 이를 하나의 LoRA 어댑터가 맡는 두 역할로 나눕니다. designer는 계획을 읽고 구조화된 JSON 브리프를 씁니다. 배색, 서체 체계, 각 슬라이드의 레이아웃과 내용, 그리고 짧은 근거입니다. 이어 coder는 한 슬라이드의 브리프를 받아 pptxgenjs로 그것을 그리는 JavaScript를 씁니다. 가운데의 브리프는 읽을 수 있고 편집할 수 있어, 사람이나 에이전트가 덱 전체를 다시 만들지 않고 한 슬라이드의 레이아웃을 바꿀 수 있으며, 각 슬라이드의 맥락이 먼저 고정되므로 coder는 병렬로 돌아 그 단계가 약 여섯에서 일곱 배 빨라집니다.
학습 데이터 자체도 합성입니다. 계획, 디자인 결정, 슬라이드 코드의 공개 말뭉치가 없어, IBM은 더 큰 교사 모델에서 약 1,000개의 덱, 대략 10,000장의 슬라이드를 생성했습니다. 각각은 장르, 길이, 레이아웃을 정하는 레시피에서 시작해 제어 데이터가 커버리지를 갖도록 했습니다. 모든 예시에는 반사실로 쓰인 근거가 담겨, 기각된 선택이 왜 틀렸는지를 설명하므로 모델은 결과만이 아니라 그 뒤의 규칙을 배웁니다.
베낄 만한 부분은 검사기입니다. 합성된 각 덱은 렌더링되어, 추론 때 쓰는 것과 같은 장치로 겹침과 넘침이 검사되고, 깨진 슬라이드는 수리됩니다. 수정은 검사기가 슬라이드가 나아졌다고 확인할 때만 유지됩니다. 이로써 수리 루프는 모든 출력에 안전하게 돌릴 수 있습니다. 슬라이드를 고칠 수는 있어도 더 나쁘게 만들지는 못합니다. PresentBench에서 이 장치는 131개 덱 평균 3.5점을 더하고, Palette는 세 영역에서 NotebookLM의 60.8에 대해 59.7로 2위에 오릅니다. 단일 20B 오픈웨이트 모델로서입니다. 저희는 이 문제의 호스팅형 버전을 푸는 Gamma와 Beautiful.ai 같은 클라우드 경쟁자를 리뷰합니다.
단서는 실재합니다. 이 글은 베이스 모델도, 라이선스도, 가중치 다운로드 링크도 밝히지 않아, 지금으로서는 오늘 당장 자가 호스팅할 수 있는 것이라기보다 연구 보고서로 읽힙니다. IBM은 충실성이 가장 어려운 문제라고 솔직히 인정합니다. 브리프가 6×5 표를 요구하면서 세 개의 불릿만 준다면 coder는 나머지를 지어내야 하고, 어떤 프롬프트 규칙도 그것을 확실히 막지 못합니다. 구조화된 문서를 생성하는 다른 팀이 가져가야 할 것은 벤치마크 점수가 아니라 이 방법입니다.