論文の概要: PPTBench: Can Coding Agents Reconstruct the Visual World through Structured, Editable Slides

• arxiv url: http://arxiv.org/abs/2609.29718v1
• Date: Mon, 31 Aug 2026 17:59:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:56.118856
• Title: PPTBench: Can Coding Agents Reconstruct the Visual World through Structured, Editable Slides
• Title（参考訳）: PPTBench: 構造化された編集可能なスライドを通じて、エージェントがビジュアルワールドを再構築できる
• Abstract要約: コーディングエージェントは、視覚の世界で動き始めています。 PTPBenchは、編集可能なスライド再構築を通じてビジュアルコーディングをベンチマークする。 エージェントは有効なPPTXファイルを確実に生成できるが、セマンティックや視覚的正確性、特にテキストの詳細に苦慮している。
• 参考スコア（独自算出の注目度）: 2.579922196295471
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Coding agents are beginning to act in the visual world. They now build webpages, GUIs, games, 3D scenes, diagrams, and documents. Success in such visual coding requires bridging two spaces: inferring visual structure and expressing it programmatically. Slides are a core medium of knowledge work, widely used to communicate ideas and collaborate in a form that people can directly inspect and edit. Therefore, they provide an ideal testbed for visual coding, as they require agents to recover visual structure and realize it as editable objects. However, existing benchmarks either rely on subjective open-ended evaluation, produce non-editable code outputs, or focus only on local editing rather than end-to-end visual reconstruction. We introduce PPTBench, which benchmarks visual coding through editable slide reconstruction. It contains 500 tasks, each based on a scientific flow diagram from a real arXiv paper and requiring agents to reconstruct it as a single PPTX page composed of native, editable objects. A four-stage Agentic Judge evaluates artifact validity, semantic correctness, rendering quality, and fine-grained visual quality. Across 31 configurations spanning model families, effort levels, and harnesses, the best configuration, Kimi K3, reaches only 67.80, while the median scores 19.47. We find that agents can reliably produce valid PPTX files but still struggle with semantic and visual correctness, especially text details. More reasoning mainly helps agents pass hard gates, while stronger verification is more consistently associated with higher quality. PPTBench advances the vision of coding agents that can understand and reconstruct the visual world through structured, editable code.
• Abstract（参考訳）: コーディングエージェントは、視覚の世界で動き始めています。 現在、Webページ、GUI、ゲーム、3Dシーン、図、ドキュメントを構築できる。 このような視覚的符号化の成功には、視覚的構造を推論し、それをプログラム的に表現する2つの空間をブリッジする必要がある。 スライドは知識労働の中核となるメディアであり、アイデアを伝え、人々が直接検査し、編集できる形で協力するために広く使われます。 そのため、視覚的構造を復元し、編集可能なオブジェクトとして認識する必要があるため、視覚的コーディングのための理想的なテストベッドを提供する。 しかし、既存のベンチマークは、主観的なオープンエンド評価に依存し、非編集可能なコード出力を生成するか、エンドツーエンドのビジュアル再構成ではなく、ローカル編集にのみフォーカスする。 PPTBenchは、編集可能なスライド再構成によって視覚的コーディングをベンチマークする。 これは500のタスクを含み、それぞれが実際のarXiv紙からの科学フロー図に基づいており、エージェントはそれをネイティブで編集可能なオブジェクトからなる単一のPTXページとして再構築する必要がある。 4段階のエージェント・ジャッジは、アーティファクトの妥当性、意味的正しさ、レンダリングの品質、きめ細かい視覚的品質を評価する。 モデルファミリー、作業レベル、ハーネスにまたがる31以上の構成で、最も優れた構成であるKimi K3は67.80点に達し、中央値は19.47点である。 エージェントは有効なPPTXファイルを確実に生成できるが、セマンティックや視覚的正確性、特にテキストの詳細に苦慮している。 より深い推論は、エージェントがハードゲートを通過するのに役立つが、より強い検証は、より高い品質とより一貫して関連している。 PPTBenchは、構造化された編集可能なコードを通じて視覚世界を理解し、再構築できるコーディングエージェントのビジョンを前進させる。

関連論文リスト

• What Makes a 3D Scene Editable? A Factorized Benchmark of Fidelity, Locality, Consistency, and Preservation [0.0]
  本稿では,編集を制御情報置換として扱う表現非依存のベンチマークであるEditBench3Dを紹介する。 240のシーン編集ペアに対して,8つの代表的NeRF,3Dガウススプラッティング,ハイブリッド,プロキシベースのエディタを評価した。
  論文  参考訳（メタデータ） (2026-09-14T01:38:38Z)
• SLIDEFORGE: An LLM Agent for Controllable Editing of Slides as Structured Artifacts [9.707578528201315]
  制御可能なAI支援スライド編集フレームワークSLIDEFORGEを提案する。 視覚的分解、ptxオブジェクトのネイティブ構造、知覚的構造をリンクする。 スライド保存操作とレンダリング状態検証によるテーマ保存の再構築をサポートする。
  論文  参考訳（メタデータ） (2026-09-02T19:44:31Z)
• Code as Representation: A Compilable Parsing Paradigm for Academic Documents [50.40789738182074]
  Compilable Academic Document Parsing (CADP)は、コンテキストラプラス実行可能なPythonとして全ページを再構築するパラダイムである。 テキストと複数のSAEタイプを含む全学術ページのエキスパート検証ベンチマークであるCADP-Benchを紹介する。 その結果、フロンティアモデルでさえも、高忠実度で実行可能な再構築を行うのに苦戦していることがわかった。
  論文  参考訳（メタデータ） (2026-08-18T09:10:43Z)
• SciDiagramEdit: Learning to Edit Scientific Diagrams from Paper Revisions [66.46898035008782]
  SciDiagramEditは、自然論文の改訂から学習する、ベンチマークおよびスキル進化フレームワークである。 エージェント提案者は、複数のエポック上の実行トレースからエージェントのスキル仕様を継続的に洗練する。 得られたスキルは、保持された検証セットの編集精度を段階的に引き上げる。
  論文  参考訳（メタデータ） (2026-07-16T17:58:36Z)
• VISTA: An End-to-End Benchmark for Visual Spec-to-Web-App Coding Agents [25.141059096863255]
  VISTAは、LLMベースのエージェントのエンドツーエンドのWebアプリケーション生成機能を評価するためのベンチマークである。 視覚的/構造的忠実度とスタック制約の2つの軸に沿って変化する5つのプロンプト情報条件を定義する。 ベンチマークの各ページは、インタラクティブなUIコンポーネントと約3つの視覚的アンカーポイントで手動で注釈付けされる。
  論文  参考訳（メタデータ） (2026-05-22T20:29:12Z)
• Kiwi-Edit: Versatile Video Editing via Instruction and Reference Guidance [55.32799307123252]
  本稿では,既存のビデオ編集ペアを高忠実度トレーニング四重項に変換するスケーラブルなデータ生成パイプラインを提案する。 本稿では,学習可能なクエリと参照セマンティックガイダンスのための潜在視覚特徴を相乗化する統合編集アーキテクチャKiwi-Editを提案する。
  論文  参考訳（メタデータ） (2026-03-02T18:46:28Z)
• CoEditor++: Instruction-based Visual Editing via Cognitive Reasoning [98.98349220451216]
  CoEditor++は、編集を"編集する方法"と"編集方法"に分解する、トレーニング不要のフレームワークである。 我々は,CoEditor++が編集タスクと編集タスクの両方において,最先端のパフォーマンスを実現することを示す。 以上の結果から,認知中心型画像編集の可能性が示唆された。
  論文  参考訳（メタデータ） (2026-01-31T12:20:46Z)
• LLM Code Customization with Visual Results: A Benchmark on TikZ [6.3303908500560615]
  我々は,協調的な視覚的成果を保ちながらコードをカスタマイズする大規模言語モデルの能力を評価する最初のベンチマークであるvTikZを紹介した。 我々のベンチマークは、慎重にキュレートされたvTikZ編集シナリオ、パラメータ化された基底真理、そして視覚フィードバックを利用して正当性を評価するレビューツールから構成されている。
  論文  参考訳（メタデータ） (2025-05-07T08:26:54Z)

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。