如何用大模型自动生成PPT？AutoPresent及SlideCoder方案

今天是2025年6月12日，星期四，北京，晴

我们来看文档智能进展，上次是paper2poster，这次是用来做ppt。

从工程上来说，可以使用python-pptx库来创建幻灯片。通过这种方法，可以控制幻灯片的每一个细节，包括文本内容、图像、视觉布局、颜色等。

但可以进一步自动化，例如很直观的做法，就是直接做大模型微调，核心在于搞一批SFT数据集，但是，简单微调，并不能捕捉细节信息，这也说明PPT生成并非易事，还需要做很多事情，难点还是有很多。

例如，如何准确理解设计图像并生成可编辑的幻灯片代码；如何处理复杂幻灯片中的多样元素类型和高元素密度；如何提高LLMs对python-pptx库的理解以生成语法正确且可执行的代码。

想做好并不容易，所以，可以看看两个方案，有一些思路。

一、AutoPresent方案

先看一个工作AutoPresent《AUTOPRESENT: Designing Structured Visuals from Scratch》（https://github.com/para-lost/AutoPresent，https://arxiv.org/pdf/2501.00912），思想就是通过微调LLAMA模型来生成Python代码，具体基于8B LLaMA+7000对指令和幻灯片生成代码进行训练。

例如，对应的一条微调数据如下：

或者在一次生成ppt后，可以再次进行修正。

这个工作还做了个事情，提出了SLIDESBENCH基准测试，这是第一个用于幻灯片生成的基准测试，包含7k训练和585测试示例，来自10个领域的310个幻灯片，这个数据集可以用下。

二、SlideCoder方案

最近的工作《SlideCoder: Layout-aware RAG-enhanced Hierarchical Slide Generation from Design》，https://arxiv.org/pdf/2506.07964，https://github.com/vinsontang1/SlideCoder(代码还未公开)

其思想很简单，为一种布局感知的检索增强生成框架，用于从设计图像生成可编辑的幻灯片。

1、核心之一：层次化检索增强生成

这个指的是，采用层次化检索增强生成（Hierarchical Retrieval-Augmented Generation, H-RAG）方法，包括形状类型知识库和操作函数知识库。前者包含来自python-pptx文档的对象描述，用于指导描述器生成标准化描述。例如，“这个自动形状包括一个文本框...”中的两个术语都是文档中的对象名称，后者包括完整的语法规范（例如参数、返回值等）。如下面的一个例子：

包含三个协作代理：Describer、Coder和Assembler，如下图：

描述器Describer负责生成全局和块级别的描述；

编码器Coder生成代码片段，这个代码片段采用RAG的方式进行合成，所以会用到对应的知识库，这个主要采用BGEM3-嵌入，对于提示p，计算其向量，将前k个相关条目插入到p中。

组装器Assembler使用布局感知提示生成完整的幻灯片代码，也就是Assembler中引入布局感知提示，提示模板结合了参考图像设计、全局描述、部分代码、布局表示和从H-RAG知识库中检索到的语法模式。

整个流程就是：描述器从形状类型知识库检索对象类型，以识别块图像中的元素并输出标准化描述；编码器使用这些信息查询操作函数知识库并生成代码片段。组装器使用这些片段检索完整的语法模式并生成可执行代码。

例如，对应的prompt如下：

2、核心之二：图像分割

布局的生成很重要，这是第一步，基于颜色梯度的分割算法（Color Gradients-based Segmentation, CGSeg），将幻灯片图像分割成语义上有意义的区域。

分成几个步骤：

1）划分(Grid Blocks)：将输入图像划分为网格，并计算每个块的梯度幅度，标记出梯度幅度显著高于中位数的激活块；

2）填充（Flood-filled）：对激活块进行洪水填充操作，识别出连通区域，这些区域对应于子图像；

3）递归分割(recursively segments)：对子图像进行进一步的递归分割，确保图像的层次分解，同时保留相应的位置信息。

这其实也说明，布局信息很有意义。