Building Presentation Intelligence for High-Quality Slide Generation
作者: Yuhang Xie, Cheng Li, Chenliang Li, Mingyu Xu, Mingwei Sun, Suhang Zheng, Ming Yan, Xiaoxiao Xu, Lin Qu
分类: cs.LG
发布日期: 2026-10-22
备注: 28 pages
💡 一句话要点
提出统一训练框架以实现高质量PPT自动生成
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 自动化生成 PPT生成 教师模型增强 强化学习 数据合成 美学优化 监督微调
📋 核心要点
- 现有的PPT生成方法依赖于大量人力，难以实现高质量的自动化生成，面临效率和效果的双重挑战。
- 本文提出了一种统一的训练框架，结合数据合成、教师模型增强和强化学习，旨在提升PPT生成的质量和效率。
- 实验结果显示，所提出的框架在多个美学维度上显著提升了生成效果，超越了现有基线模型，验证了方法的有效性。
📝 摘要（中文）
PowerPoint演示文稿（PPT）是多领域沟通的主要媒介，但高质量PPT的生成仍然依赖于劳动密集型的人力工作。本文提出了一种统一的训练框架，旨在实现演示智能，整合了交叉验证的数据合成、指导教师增强和可验证的奖励优化。我们首先构建了一个交叉验证的数据合成管道，明确控制难度和有效性。接着，开发了基于规则和先验知识的教师增强框架，以显著提升教师模型的教学能力。基于此，我们通过混合教师策略和轻量级结果驱动的轨迹过滤方法进一步改进了监督微调（SFT）。最后，基于所得到的SFT模型，引入了一套可验证的美学指标以及基于GRPO的强化学习框架，以优化超越文本监督的幻灯片视觉属性。实验结果表明，我们的增强SFT管道在PresentBench上提升了Qwen-3.6-27B和Qwen-3.6-35B-A3B的表现，分别提高了7.45和9.35分，超越了GLM-5.2，同时保持了强大的泛化能力。
🔬 方法详解
问题定义：本文旨在解决高质量PPT自动生成中依赖人力的问题，现有方法在效率和效果上存在明显不足。
核心思路：通过构建一个统一的训练框架，结合数据合成、教师增强和强化学习，提升PPT生成的质量和效率。
技术框架：整体架构包括数据合成管道、教师增强框架、监督微调和强化学习优化四个主要模块，形成闭环反馈机制。
关键创新：提出的教师增强框架和混合教师策略是关键创新，显著提升了模型的教学能力和生成效果，与传统方法相比具有本质区别。
关键设计：在参数设置上，采用了轻量级的结果驱动轨迹过滤方法，损失函数设计上引入了可验证的美学指标，以优化幻灯片的视觉属性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，增强的SFT管道在PresentBench上分别提升了Qwen-3.6-27B和Qwen-3.6-35B-A3B的得分，提升幅度为7.45和9.35分，超越了GLM-5.2，并在五个美学维度上通过强化学习进一步改善了性能。
🎯 应用场景
该研究的潜在应用领域包括教育、商业演示、科研汇报等，能够大幅提升PPT生成的自动化水平，降低人力成本，提升工作效率。未来，该框架有望扩展到其他类型的文档生成任务，推动智能文档处理的发展。
📄 摘要（原文）
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.