PPTAgent: Generating and Evaluating Presentations Beyond Text-to-Slides

Hao Zheng, Xinyan Guan 等

Chinese Academy of Sciences，University of Chinese Academy of Sciences 等

本文提出了 PPTAgent，通过基于编辑的两阶段方法生成高质量演示文稿，并引入 PPT Eval 评估框架，全面评估演示文稿的内容、设计和连贯性。

研究内容

本文研究了如何从文档自动生成演示文稿，同时平衡内容质量、视觉设计和结构连贯性。

研究动机

现有方法主要关注文本内容质量，忽视了视觉设计和结构连贯性，导致生成的演示文稿缺乏吸引力和逻辑性，限制了其实际应用价值。下图展示了PPTAgent和现有方法的主要区别，PPTAgent参考已有幻灯片，在已有参考的基础上进行编辑，避免从零开始制作幻灯片，与人类表示创建过程更加接近。

技术动机

模拟人类创作演示文稿的流程。人类通常通过选择示例幻灯片作为参考，然后总结和转移关键内容来创建演示文稿，而非从头开始创建复杂演示文稿。这种基于编辑的方法能更好地处理空间关系和设计风格。

解决方案

1. PPTAgent

下图展示了PPTAgent的工作流程。第一阶段：演示分析，包括分析输入演示，将幻灯片聚类为组，并提取它们的内容模式。第二阶段：演示文稿，首先基于文本生成大纲，然后在大纲的指导下生成新的演示文稿，结合反馈机制以确保鲁棒性。

阶段一：演示文稿分析

• 幻灯片聚类：首先，将参考演示文稿中的幻灯片根据其功能和内容特征进行聚类。

这样可以将幻灯片分为不同的功能组，为后续的编辑和生成提供结构化的参考。

• 功能性的幻灯片（如开场幻灯片）通过LLM分析其文本特征进行聚类。

• 主要展示具体内容的幻灯片则采用层次聚类方法，利用图像相似性进行聚类。

• 模式提取：在幻灯片聚类的基础上，进一步分析每个幻灯片的内容模式。利用LLM的上下文感知能力，将幻灯片中的每个元素表示为类别、模态和内容，并提取出幻灯片的内容模式。这一步骤确保了在后续编辑过程中，可以有针对性地对幻灯片进行修改和内容填充，使其符合预期的展示目的和结构。

阶段二：演示文稿生成

• 大纲生成：根据输入文档和分析后的参考演示文稿，生成一个详细的大纲。大纲中为每张幻灯片指定参考幻灯片、相关文档部分以及新幻灯片的标题和描述。这一过程利用LLM的规划和总结能力，结合文档内容和参考演示文稿的语义信息，生成一个连贯且吸引人的大纲，为后续的幻灯片生成提供指导.

• 幻灯片生成：在大纲的指导下，通过交互式可执行代码动作，对参考幻灯片进行迭代编辑以生成新幻灯片。

• 实现了一系列编辑动作API，如替换文本、替换图像、删除元素等，使LLM能够动态修改参考幻灯片。

• 将幻灯片从原始的XML格式转换为更易于LLM理解的HTML表示形式，以便更精确地操作幻灯片元素。

• 在生成过程中，LLM根据大纲指定的内容和参考幻灯片的HTML表示，生成新的幻灯片内容，并通过代码交互模块实时检测错误并进行自我修正，确保生成过程的鲁棒性。

2. PPT Eval 评估框架

• 为了全面评估生成演示文稿的质量，提出了PPTEval评估框架。如下图所示，该框架采用 MLLM-as-Judge 的方式，从内容、设计和连贯性三个维度进行评估。该框架为每方面评估打出1-5的分数，并提供详细的反馈，以指导未来演示生成方法的改进。

• 内容（Content）：评估幻灯片中的文本和图像信息，关注信息量、文本清晰度和视觉内容的支持程度.

• 设计（Design）：考察幻灯片的视觉一致性、色彩方案和视觉元素的使用，确保设计既吸引人又不干扰内容传递.

• 连贯性（Coherence）：分析演示文稿的逻辑结构和上下文信息，评估其是否能够构建引人入胜的故事线，使观众能够顺畅地跟随内容.

实验结果

下表展示了PPTAgent与基线方法的性能对比。PPTAgent在成功率（SR）上显著优于基线方法，达到了97.8%，而基线方法的成功率仅为10%左右。在内容（Content）、设计（Design）和连贯性（Coherence）三个维度上，PPTAgent也全面超越了基线方法。具体来说，PPTAgent在设计维度上的得分从基线的2.33提升到了3.24，在连贯性维度上的得分从3.28提升到了4.39，在内容维度上的得分从2.98提升到了3.25。此外，PPTAgent的平均PPTEval得分也从基线的2.85提升到了3.62，显示出PPTAgent在生成高质量演示文稿方面的显著优势。这些结果表明，PPTAgent不仅提高了演示文稿的生成成功率，还在内容、设计和连贯性方面实现了显著的改进，有效地提升了演示文稿的整体质量。

综上，PPTAgent为自动化演示文稿生成提供了一种高效且高质量的解决方案，其引入的PPTEval评估框架也为演示文稿质量评估提供了新的视角，推动了演示文稿生成技术的发展。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】