Palette：教小模型按你的设计语言制作演示文稿

英文原标题：Palette: teaching a small model to build decks in your design language

本文为英文原文的机器翻译摘要，原文见：Hugging Face Blog ↗

• Palette 项目旨在训练一个小型开源模型，使其能按照企业自身的设计语言生成演示文稿，从而避免前沿模型风格趋同和机密内容外泄的问题。
• 幻灯片生成对小型模型来说很难，因为模型需要在不看渲染结果的情况下进行布局计算，同时兼顾编辑判断和几何定位，而且缺乏公开的演示文稿制作过程数据。
• Palette 将任务拆分为设计师和编码者两个角色，由同一个 LoRA 适配器承担：设计师输出结构化 JSON 简报，编码者根据简报为每页幻灯片编写 pptxgenjs 代码，编码阶段可并行执行，速度提升约 6–7 倍。
• 训练数据由大型开放教师模型合成，约 1000 个演示文稿、近 1 万页幻灯片，每个示例都包含反事实推理；合成数据经过渲染检查，修复重叠和溢出问题，并将修复过程改写为新的训练示例。
• 用户可以通过 [[ ]] 包裹的指令（directive）用自然语言控制设计，例如 [[make this a timeline]]，模型因训练时见过 12 类指令的多种表述而能理解意图。

关键数据

• 微调了一个 20B 模型
• 在 PresentBench 的三个测量领域中排名第一的有两个
• 编码阶段约快 6–7 倍
• 编码者示例长度约为设计师示例的 5 倍，因此对设计师示例进行了 5 倍过采样
• 生成约 1000 个演示文稿，覆盖约 10,000 页幻灯片
• 指令数据包含 12 个类别

为什么值得看：它验证了小型开源模型经过合成数据训练和检查修复流程后，能在特定设计语言下生成可用演示文稿，同时让企业保留对模型和数据的控制权。