論文の概要: ACE: A Self-Correcting Agentic Canvas Editor for Multi-Slide Presentation Automation
- arxiv url: http://arxiv.org/abs/2608.24103v1
- Date: Tue, 25 Aug 2026 06:05:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:34.825944
- Title: ACE: A Self-Correcting Agentic Canvas Editor for Multi-Slide Presentation Automation
- Title（参考訳）: ACE: マルチスライドプレゼンテーション自動化のための自己修正エージェントCanvasエディタ
- Abstract要約: エージェント型キャンバスエディタである textbfACE を,プレゼンテーション専用アクション空間 (98 ツール) を備えたエスフラチエラルなシーングラフ上に提示する。
固定バックボーンでは、Emphsingleターンのシーングラフエディタは、内部で反復する同じバックボーン強調HTMLパイプラインとすでに一致している。
完全な94-taskベンチマークでは、ACEが命令で大きく上回っている(IF 4.23 vs. 3.81、ペアの$p=.010$、複製)。
- 参考スコア（独自算出の注目度）: 27.72815185835054
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Commercial design platforms increasingly edit documents through large language model (LLM) agents, but two practical problems block reliable deployment: legacy document formats expose only \emph{flat}, absolutely positioned elements, so agents must recompute coordinates and routinely break layouts; and design has no unique ground truth, so diff-against-reference metrics penalize valid-but-different outputs. We present \textbf{ACE}, an agentic canvas editor over a \emph{hierarchical scene-graph} with a presentation-specialized action space (98 tools), paired with \textbf{CARE}, a content-aware router that feeds the agent only the relevant slice of each deck (avg.\ $\sim$89\% input-token reduction), and a \emph{self-correction} loop driven by a \emph{ground-truth-free} instruction-following (IF) judge whose natural-language critique is fed back as the next-turn instruction. With a fixed backbone, a scene-graph editor in a \emph{single turn} already matches a same-backbone \emph{agentic} HTML pipeline that iterates internally; adding self-correction lifts ACE significantly above it on instruction following (IF 4.23 vs.\ 3.81 on the full 94-task benchmark, paired $p{=}.010$, replicated by an out-of-loop judge) at 1.75$\times$ the speed and $\sim$44\% lower cost. VQ means are statistically indistinguishable, but 26 blind raters prefer ACE overall (58.7\% decisive win-rate) and prefer the self-corrected output 81\% of the time; the ranking is invariant across three judge families, and out-of-loop judges retain two-thirds of the self-correction gain, bounding circularity. 66\% of cases halt after one pass, and a strict-peak rollback removes every observed regression.
- Abstract（参考訳）: レガシーなドキュメントフォーマットは \emph{flat} のみを公開するため、エージェントは座標を再計算し、定期的にレイアウトを壊さなければならない。
本稿では,プレゼンテーション専用アクション空間 (98 ツール) を備えたエージェントキャンバスエディタである \textbf{ACE} と,各デッキの関連スライスのみをエージェントに供給するコンテンツ対応ルータである \textbf{CARE} との組み合わせについて述べる。
\$\sim$89\%のインプット・トケン・リダクション) と \emph{ground-truth-free} 命令追従 (IF) によって駆動される \emph{self-correction} ループは、自然言語の批判が次のターン命令として返される。
固定バックボーンでは、\emph{single turn} のシーングラフエディタは、内部的に反復する同じバックボーン \emph{agentic} HTML パイプラインとすでに一致している。
94タスクのベンチマークで3.81ドル、対の$p{=}.010$、1.75$\times$の速度と$\sim$44\%のコストでループ外裁判官によって複製された。
VQ平均は統計的に区別がつかないが、26人のブラインドレーダはACE全体(58.7 %)を好んでおり、自己補正された出力の81 %を好んでいる。
66\%のケースが1回の通過で停止し、厳格なロールバックが観察されたすべての回帰を除去する。
関連論文リスト
- Codebook Agent: Amortized Topology Design for LLM Multi-Agent Systems [67.04448659688579]
クエリ非依存の16エントリのコードブックを開発し、上位のデコード候補を1回のバッチフォワードパスでランク付けする。
反復検索がなく、テスト時にメッセージパッシングがないため、Codebook Agentは6つのベンチマークでもっとも正確な方法である。
論文 参考訳（メタデータ） (2026-09-02T08:10:22Z) - Think Only When Needed: Prompt-Authority Control for Selective Slow-Path Intervention in Vision-Language-Action Manipulation [4.910253409228634]
ToWN-VLA(英語版)は、ポリシー入力を変更するために、候補生成を許可から分離するプロンプトオーソリティインタフェースである。
525のルートは、一致するハッシュでベースを回復し、375の承認されたプロンプトは全て、タスクシグネチャを保存する。
凍ったピロフィブチェックポイントを持つ物理のPiPERアームでは、成功率は52.7%から、150回の試験で78.7%に上昇する。
論文 参考訳（メタデータ） (2026-08-24T13:18:01Z) - One Rewrite to Fix Them All? Type-Aware Repair Allocation for Text-to-Image Prompt Optimization [59.164665622252016]
テキスト・トゥ・イメージ(T2I)ジェネレータは、間違ったカウント、スワップされた属性、あいまいな関係、不可解なテキストを生成し、そのプロンプトに忠実に従わないことが多い。
Prompt最適化は、ユーザプロンプトを書き換えて、ジェネレータの再トレーニングを必要としないことで、このような障害を修復する。
失敗する各命題は、結果のローカル制約が1つの実行可能なプロンプトにコンパイルされる前に、タイプ条件の修復演算子にルーティングされる。
論文 参考訳（メタデータ） (2026-07-21T05:31:43Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - SURGELLM: Rethinking Multi-Task Evaluation through Task-Aware Feature Gating with Class-Balanced Normalization [0.21485350418225238]
不均一なNLPタスクに展開される微調整エンコーダは、3つの複合的な問題に直面している。
textbfsurgellmは、専用の軽量モジュールでそれぞれに対処する統合トランスフォーマーフレームワークである。
論文 参考訳（メタデータ） (2026-06-23T07:47:21Z) - Towards Human-Like Interactive Speech Recognition With Agentic Correction and Semantic Evaluation [53.844308305341166]
単一パスのASRフロントエンドと意味的訂正,意図のルーティング,推論に基づく編集を組み合わせた閉ループフレームワークである textbfAgentic ASR を提案する。
複数言語、名前付き集中型、コードスイッチングベンチマークの実験は、反復的相互作用が意味的誤りを一貫して減少させることを示している。
論文 参考訳（メタデータ） (2026-05-28T06:23:31Z) - RECTOR: Priority-Aware Rule-Based Reranking for Compliance-Aware Autonomous Driving Trajectory Selection [0.8363171780853939]
本稿は、テキストスクリプタ(Rule-Enforced Constrained Trajectory Orchestrator)について紹介する。
選択可能なプロキシとシーン条件の適用性メカニズムを通じて、タイアップされたルールブックに対して候補をスコアする。
決定論的な$varepsilon$-lexicographicルールで選択する。
論文 参考訳（メタデータ） (2026-05-24T14:17:00Z) - StepGap: A Hybrid NLI-LLM Checker for Step-Level Evidence-Gap Detectionin Multi-Hop Question Answering [28.730693625995215]
StepGapは、マルチホップQAにおけるステップレベルのエビデンスギャップを検出するハイブリッドNLI-LLM決定ツリーである。
Qwen2.5-7B-Instruct Exact Matchを32.1pm0.3$から35.4pm0.9$に改良した。
論文 参考訳（メタデータ） (2026-05-23T20:57:19Z) - When to Think, When to Speak: Learning Disclosure Policies for LLM Reasoning [60.714416943748866]
シングルストリームの自己回帰インターフェースでは、同じトークンがモデル状態を更新し、不可逆的な公約を構成する。
そこで我々は,Side-by-Side (SxS) Interleaved Reasoningを導入する。
論文 参考訳（メタデータ） (2026-05-05T02:59:58Z) - SABER: Small Actions, Big Errors -- Safeguarding Mutating Steps in LLM Agents [52.20768003832476]
我々は$$-Bench (Airline/Retail) および SWE-Bench Verified 上での実行トレースを分析する。
成功を失敗に戻すための、先進的な逸脱、最初期の行動、レベル分岐を形式化する。
モデルに依存しない,勾配のない,テスト時のセーフガードである cm を導入します。
論文 参考訳（メタデータ） (2025-11-26T01:28:22Z) - Reinforcement Learning with Verifiable yet Noisy Rewards under Imperfect Verifiers [90.50039419576807]
RLVR(Reinforcement Learning with Verifiable Rewards)は、人為的なラベル付けを避けるために、自動検証に対するポリシーを訓練する。
認証ハッキングの脆弱性を軽減するため、多くのRLVRシステムはトレーニング中にバイナリ$0,1$の報酬を破棄する。
この選択にはコストがかかる:textitfalse negatives(正しい回答、FNを拒絶)とtextitfalse positives(間違った回答、FPを受け入れる)を導入する。
論文 参考訳（メタデータ） (2025-10-01T13:56:44Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。