論文の概要: Building Presentation Intelligence for High-Quality Slide Generation

• arxiv url: http://arxiv.org/abs/2610.30888v1
• Date: Thu, 22 Oct 2026 08:06:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.278993
• Title: Building Presentation Intelligence for High-Quality Slide Generation
• Title（参考訳）: 高品位スライド生成のためのプレゼンテーションインテリジェンスの構築
• Abstract要約: プレゼンテーションインテリジェンスに向けたPowerPoint自動生成のための統合トレーニングフレームワークを提案する。 まず、データ合成のためのクロスバリデーションパイプラインを構築し、難易度と妥当性の両方を明示的に制御する。 そこで我々は,教師モデルの指導能力を大幅に向上させるために,ルールと事前知識に基づく教師支援フレームワークを開発する。 実験の結果, 拡張SFTパイプラインはQwen-3.6-27BとQwen-3.6-35B-A3Bをそれぞれ7.45点, PresentBenchで9.35点改善した。
• 参考スコア（独自算出の注目度）: 36.93099313939629
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: PowerPoint presentations (PPTs) are a dominant medium for communication across diverse domains, yet high-quality PPT generation still depends heavily on labor-intensive human effort. Recent advances in large language models (LLMs) for agentic tasks have created both new opportunities and challenges (Chen et al., 2026) for automatic PPT generation. In this work, we present a unified training framework for automatic PPT generation toward presentation intelligence, integrating cross-validated data synthesis, guided teacher enhancement, and verifiable reward optimization. We first construct a cross-validated pipeline for data synthesis, with explicit control over both difficulty and validity. We then develop a teacher-enhancement framework grounded in rules and prior knowledge to substantially strengthen the instructional capacity of teacher models. Building on this, we further improve supervised fine-tuning (SFT) through a mixed-teacher strategy and a lightweight outcome-driven trajectory filtering method. Finally, based on the resulting SFT models, we introduce a suite of verifiable aesthetic metrics together with a GRPO-based reinforcement learning framework to optimize slide-level visual attributes beyond text-only supervision. Experiments show that our enhanced SFT pipeline improves Qwen-3.6-27B and Qwen-3.6-35B-A3B by 7.45 and 9.35 points on PresentBench, respectively, surpassing GLM-5.2 while maintaining strong generalization. Reinforcement learning further improves performance across five aesthetic dimensions, compensating for the limitations of SFT in visual refinement. Overall, the results demonstrate the effectiveness of our framework for high-quality PPT generation.
• Abstract（参考訳）: PowerPoint プレゼンテーション (PPT) は、様々な領域にわたるコミュニケーションにおいて支配的な媒体であるが、高品質な PPT 生成は依然として労働集約的な人間の努力に大きく依存している。 エージェントタスクのための大規模言語モデル(LLM)の最近の進歩は、自動PT生成のための新しい機会と課題(Chen et al , 2026)を生み出している。 本研究では、プレゼンテーションインテリジェンスに向けたPTT自動生成のための統一的なトレーニングフレームワーク、クロスバリデーションデータ合成、ガイド付き教師強化、検証可能な報酬最適化を提案する。 まず、データ合成のためのクロスバリデーションパイプラインを構築し、難易度と妥当性の両方を明示的に制御する。 そこで我々は,教師モデルの指導能力を大幅に向上させるために,ルールと事前知識に基づく教師支援フレームワークを開発する。 これに基づいて,教師付き微調整(SFT)を混合教師戦略と軽量な結果駆動トラジェクトリフィルタリングにより改善する。 最後に、得られたSFTモデルに基づいて、テキストのみの監督を超えたスライドレベルの視覚特性を最適化するGRPOベースの強化学習フレームワークとともに、検証可能な審美指標のスイートを導入する。 実験の結果,拡張SFTパイプラインはQwen-3.6-27BとQwen-3.6-35B-A3Bをそれぞれ7.45ポイント,9.35ポイント改善し,GLM-5.2を上回った。 強化学習は、視覚改善におけるSFTの限界を補うことにより、5つの美的次元におけるパフォーマンスをさらに向上させる。 その結果,高品位PPT生成のためのフレームワークの有効性が示された。

関連論文リスト

• A Systematic Post-Train Framework for Video Generation [76.26555417456773]
  大規模ビデオ拡散モデルでは、高解像度でセマンティックにリッチなコンテンツを生成できることが顕著に示されている。 迅速な感度、時間的不整合、禁止的推論コストといった重要な問題のために、事前訓練されたパフォーマンスと実際のデプロイメント要件の間には、大きなギャップが残っている。 本研究では,事前学習されたモデルとユーザの意図を4つの相乗的段階を通して体系的に整合させる総合的なポストトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-28T09:34:51Z)
• CGL: Advancing Continual GUI Learning via Reinforcement Fine-Tuning [67.78566256784404]
  Supervised Fine-Tuning (SFT) は高速な適応を可能にし、しばしば知識のオーバーライトを引き起こす。 強化学習(RL)は、事前の相互作用ロジックを消去から保護する固有のレジリエンスを示す。 textbfContinual textbfGUI textbfLearningフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-03T13:02:20Z)
• Optimal Control for Transformer Architectures: Enhancing Generalization, Robustness and Efficiency [6.449788692916656]
  最適制御理論の観点からトランスフォーマーを考察し、連続時間定式化のツールを用いて、トレーニングとアーキテクチャ設計に関する実用的な洞察を導出する。 このフレームワークは、一般化や堅牢性を含む望ましい理論的保証を提供しながら、既存のTransformerモデルの性能を改善している。 我々は,テキスト生成,感情分析,画像分類,点雲分類を動機とするタスクについて,広範囲にわたる7つの実験を行った。
  論文  参考訳（メタデータ） (2025-05-16T00:31:10Z)
• PAFT: Prompt-Agnostic Fine-Tuning [24.209557567599393]
  微調整された大きな言語モデル(LLM)は、しばしば特定のプロンプト語に過剰な適合を引き起こす。 本稿では,トレーニング中の動的プロンプト変動によるロバスト性向上手法であるPrompt-Agnostic Fine-Tuning(PAFT)を提案する。
  論文  参考訳（メタデータ） (2025-02-18T13:46:47Z)
• Parameter-Efficient Fine-Tuning for Pre-Trained Vision Models: A Survey and Benchmark [95.0484665958967]
  事前学習された視覚モデル(PVM)は、幅広い下流の視覚タスクに顕著な適応性を示した。 これらのモデルが数十億または数兆のパラメータにスケールするにつれて、計算と記憶の要求が高いため、従来の完全な微調整はますます非現実的になっている。 パラメータ効率の良いファインチューニング(PEFT)は、モデルパラメータを最小限に調整しながら、完全なファインチューニングに匹敵するパフォーマンスを実現するための、有望な代替手段として登場した。
  論文  参考訳（メタデータ） (2024-02-03T19:12:20Z)

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。