一句话总结

新加坡国立大学的研究人员提出 SlideTailor，一种受人类行为启发的智能体框架，通过从隐式输入（如示例论文-幻灯片对和视觉模板）中推断用户偏好，生成与用户对齐且可编辑的幻灯片，无需显式文本描述。该系统采用“链式语音”机制，使幻灯片内容与计划的口头讲解同步，提升了视频演示等下游应用的质量。在新构建的、具有可解释性指标的基准上进行评估，SlideTailor 在个性化和可用性方面均优于现有方法。

主要贡献

• 现有论文转幻灯片生成方法常因缺乏明确规范、采用“一刀切”模式，难以契合个体用户偏好，导致自动化演示中的内容与视觉设计质量不佳。
• SlideTailor 引入一种受人类行为启发的智能体框架，从隐式输入（一篇论文-幻灯片示例对和一个 .pptx 模板）中推断丰富、多维度的用户偏好，实现无需详细文本指令即可生成个性化、可编辑的幻灯片。
• 该框架引入一种新颖的“链式语音”机制，使幻灯片内容与计划的口头讲解对齐，并在新构建的基准数据集上以可解释性指标进行评估，证明其在偏好对齐和整体演示质量方面表现更优。

引言

作者针对从科学论文生成个性化演示幻灯片的挑战展开研究。这一任务传统上将幻灯片创建视为一种“一刀切”的文档到幻灯片转换，忽视了演示设计的主观性。先前方法或缺乏用户定制能力，或依赖于详尽的显式偏好输入，这对大多数用户而言既负担沉重又不切实际。为克服这一局限，作者提出 SlideTailor，一种受人类行为启发的智能体框架，通过论文-幻灯片示例对和视觉模板这两种自然存在的输入，隐式学习用户偏好——这些输入本身便蕴含了内容与美学偏好，无需显式说明。系统将这些隐式信号提炼为偏好画像，再通过“链式语音”机制使幻灯片内容与计划的口头讲解对齐，提升连贯性，并支持下游视频演示生成。其关键贡献在于构建了一个包含多样化、可解释性指标的基准数据集，用于评估偏好对齐与演示质量，结果表明 SlideTailor 在个性化和整体幻灯片质量方面均优于现有方法。

数据集

• 该数据集名为 PSP（Paper-to-Slides with Preferences），旨在支持带有显式用户偏好建模的定制化论文转幻灯片研究。
• 数据集由三个核心部分构成：200 篇科学论文作为输入目标，50 组高质量的论文-幻灯片对，反映多样化的结构与风格偏好，以及 10 个学术幻灯片模板，代表常见的研究导向布局与美学风格。
• 来源论文从顶级人工智能与科学会议的公开论文集中人工筛选，涵盖 AAAI、ACL、CVPR、NeurIPS、Nature、Science、The Lancet 和 Chemical Reviews Letters 等，覆盖人工智能、机器学习、自然语言处理、计算机视觉、化学与医学等领域，确保主题与风格的广泛多样性。
• 50 组论文-幻灯片对旨在代表多种演讲者风格与学科惯例，支持对内容结构与美学展示偏好的建模。
• 10 个模板捕捉标准的学术幻灯片设计模式，为生成过程中的版式定制提供基础。
• 该数据集支持高达 100,000 种独特的输入组合（200 篇论文 × 50 组对 × 10 个模板），是目前最大的论文转幻灯片生成基准，且唯一支持开放式偏好建模。
• 论文中，作者使用该数据集训练并评估其模型，将 200 篇目标论文作为输入，并与 50 组论文-幻灯片对及 10 个模板组合，形成多样化的训练混合数据。
• 训练过程中，模型同时以输入论文和由论文-幻灯片对与模板推导出的指定偏好信号为条件，从而生成符合特定结构与美学偏好的幻灯片。
• 未对源论文或幻灯片进行显式裁剪；作者依赖于所选配对中的原始内容与布局结构。
• 每个样本的元数据包括来源会议、研究领域、演示风格与模板标识符，支持细粒度分析与基于偏好的评估。

方法

作者采用模块化框架 Slide-Tailor，解决偏好引导的论文转幻灯片生成任务。整体架构旨在从源论文生成演示幻灯片，同时遵循用户提供的内容与美学偏好。该过程始于两种不同的用户输入：一个论文-幻灯片样本对，作为内容偏好（如叙事流与重点）的参考；一个 .pptx 模板文件，编码美学偏好（如版式、色彩与字体）。这些输入通过一个流水线处理：首先从样本对与模板中提炼隐式偏好，再利用这些偏好指导生成结构化的幻灯片大纲与最终幻灯片实现。

该框架的核心分为两个主要阶段：偏好提炼与偏好引导的幻灯片规划。第一阶段为隐式偏好提炼，系统分析提供的论文-幻灯片样本对以提取内容偏好，同时分析模板文件以提取美学偏好。这通过一系列专用模块实现。Paper Reorganizer 处理输入论文与参考论文-幻灯片对，生成组织化内容，捕捉期望的结构与重点。Slide Outline Designer 基于重组后的内容与用户偏好，生成包含幻灯片主题、目的、演讲草稿与内容风格的详细演示大纲。该大纲随后由语音脚本生成器进一步优化。与此同时，Template Selector 利用从模板中提取的美学偏好，为大纲中的每张幻灯片推荐合适的布局。

第二阶段为偏好引导的幻灯片规划，整合第一阶段的输出。Slide Renderer 将模板化幻灯片大纲与选定模板结合，生成最终输出幻灯片。这通过一个布局感知智能体实现，该智能体将计划的内容元素（如标题、文字、图像）映射到模板中的具体组件（如文本框、图像占位符）。此结构化映射可能涉及修改、替换或插入元素，以确保内容连贯性。随后，代码智能体生成可执行代码，直接对 .pptx 文件应用这些修改，保留原始布局与主题，同时生成完全可编辑的幻灯片。该框架还支持生成与演讲者意识匹配的视频演示，通过将生成的幻灯片与合成的语音及说话头视频组合，确保音视频同步。

该框架的设计实现了灵活且用户友好的演示创建方式。通过将内容与美学偏好作为独立、正交的输入，系统支持模块化适配。采用基于模板的编辑策略，确保最终输出保持用户期望的视觉风格，同时完全可编辑。整个流程由一系列专用模块驱动，包括 Paper Reorganizer、Slide Outline Designer 与 Template Selector，协同工作，将原始论文转化为精炼、个性化的演示文稿。

实验

• 在 PSP 数据集上使用 50 个目标论文进行评估，所提出的 SlideTailor 框架在基于 MLLM 的评估中获得 75.8% 的综合得分，超越三个最先进基线（ChatGPT、AutoPresent、PPTAgent），在基于偏好与无偏好指标上均表现更优。
• 展现出强大适应性，与开源模型 Qwen2.5-72B-Instruct 和 Qwen2.5-VL-72B-Instruct 在性能上具有竞争力，证实其在不同 MLLM 后端上均具备鲁棒性，无需针对特定模型进行调优。
• 消融实验表明，移除内容偏好引导导致关键指标（覆盖率、流畅性、内容结构）性能下降约 10%，验证了隐式偏好提炼的重要性；禁用“链式语音”机制使整体质量从 66.4% 降至 47.3%，凸显其在提升内容清晰度与连贯性中的关键作用。
• 60 次独立人工评估（4 名标注者，30 个案例）显示，SlideTailor 在 81.63% 的案例中优于 PPTAgent，且人工评分与 MLLM 评分之间存在强相关性（Pearson r = 0.64），验证了自动评估框架的有效性。
• 定性分析确认，SlideTailor 在美学与内容结构方面均与输入模板和示例幻灯片高度对齐，实现准确的视觉元素提取、合理的幻灯片排序，以及文本与视觉的有效融合，在版式保真度、视觉一致性与信息丰富性方面优于基线。

结果表明，人工评分与基于 MLLM 的评估在基于偏好与无偏好指标上均呈现强相关性，Pearson 相关系数在 0.602 至 0.683 之间，所有 p 值均低于 0.01。所有指标的平均相关系数为 0.638，表明自动评估框架与人工判断高度一致。

作者通过计算标注者间评分的绝对差异，分析人工评估的一致性。结果显示，对于基于偏好的指标，内容结构的平均绝对差异为 0.73，美学的为 0.95，分别有 86.67% 和 78.33% 的案例在 1 分以内；对于无偏好指标，内容与美学的平均绝对差异分别为 0.80 与 0.87，分别有 83.33% 与 81.67% 的案例在 1 分以内，表明人工评估者之间存在中等程度的一致性。

作者通过消融研究评估框架中关键组件的影响，结果表明，移除内容偏好引导会显著降低基于偏好的各项指标表现，尤其在覆盖率、流畅性与内容结构方面。禁用“链式语音”机制也导致整体性能大幅下降，尤其在内容质量方面，凸显了将幻灯片规划与预期讲解对齐的重要性。完整系统在所有指标上均取得最高分，证明了两个组件的有效性。

作者采用全面的基于偏好与无偏好的指标评估幻灯片生成方法，结果显示，当使用 GPT-4.1 时，其框架在所有指标上获得最高综合得分 75.8%，在两类指标上均优于所有基线。该方法在内容结构与美学设计方面与用户偏好高度对齐，同时在内容清晰度与视觉吸引力方面生成高质量幻灯片，经自动评估与人工评估双重验证。

作者采用全面的指标集评估其框架与现有基线的性能，结果显示，其方法在所有基于偏好与无偏好的指标上均优于 PPTAgent。具体而言，其方法在内容结构、美学对齐、内容质量与整体演示方面得分更高，展现出更强的用户偏好对齐能力与更高的通用幻灯片质量。