Geradores de slides que vivem em um app na nuvem já são comuns, mas um modelo que você mesmo pode rodar e ensinar o seu estilo da casa é mais raro, porque modelos abertos pequenos são realmente ruins em fazer slides. Os títulos somem no fundo, o texto vaza pela borda, as formas se empilham umas sobre as outras. O Palette, da IBM, é uma tentativa de pesquisa para corrigir isso, e a sua ideia mais reaproveitável não é o modelo, mas o método em torno dele.
O truque central é parar de tratar uma apresentação como um único trabalho. Construir um slide força duas decisões diferentes ao mesmo tempo: o que dizer e como mostrar, que é editorial, e onde colocar as coisas com precisão, que é geometria. O Palette as separa em dois papéis servidos por um único adaptador LoRA. Um designer lê o plano e escreve um brief estruturado em JSON: paleta, sistema tipográfico, o layout e o conteúdo de cada slide, com uma breve justificativa. Um coder então pega o brief de um slide e escreve o JavaScript que o desenha com pptxgenjs. O brief do meio é legível e editável, então uma pessoa ou agente pode mudar o layout de um slide sem regenerar a apresentação inteira, e como o contexto de cada slide é fixado primeiro, o coder roda em paralelo, o que torna essa etapa cerca de seis a sete vezes mais rápida.
Os dados de treino são eles mesmos sintéticos. Sem um corpus público de planos, decisões de design e código de slides, a IBM gerou cerca de 1.000 apresentações cobrindo aproximadamente 10.000 slides a partir de um modelo professor maior, cada uma partindo de uma receita que define gênero, tamanho e layout para que os dados de controle tenham cobertura. Cada exemplo carrega um raciocínio escrito como contrafactual, que explica por que uma escolha rejeitada estava errada, de modo que o modelo aprende a regra e não apenas o resultado.
A parte que vale copiar é o verificador. Cada apresentação sintetizada é renderizada e inspecionada em busca de sobreposições e transbordamentos pelo mesmo harness usado na inferência, e os slides quebrados são reparados, mantendo-se a correção apenas se o verificador confirmar que o slide melhorou. Isso torna o laço de reparo seguro para rodar em toda saída: ele pode consertar um slide, mas nunca piorá-lo. No PresentBench o harness acrescenta 3.5 pontos em média em 131 apresentações, e o Palette fica em segundo em três domínios com 59.7 contra 60.8 do NotebookLM, como um único modelo de pesos abertos de 20B. Nós analisamos rivais na nuvem como Gamma e Beautiful.ai que resolvem a versão hospedada desse problema.
As ressalvas são reais. O post não nomeia modelo base, licença nem link para baixar os pesos, então por ora se lê como um relatório de pesquisa, não como algo que você possa auto-hospedar hoje. A IBM é franca: a fidelidade é o problema mais difícil; se um brief pede uma tabela de seis por cinco mas fornece três tópicos, o coder tem de inventar o resto, e nenhuma regra de prompt impede isso de forma confiável. O método, não a pontuação do benchmark, é o que outras equipes que geram documentos estruturados deveriam levar.