Palette 簡報生成怎麼運作？流程、成績與導入限制

Prezent 的 Menarini 案例稱，團隊把 20 頁科學論文整理成 15 張教育投影片，摘要由數週縮至數分鐘。這是供應商公布的單一案例，不能代表 Palette 的效果。導入簡報生成工具仍須檢查品牌符合度與來源忠實度。

IBM Research 的 Palette 以 20B 模型參與 PresentBench，Economics、Education 排名第一，Talk 第三，平均第二。關於簡報品質與學習成效的評量問題，成品外觀不等於讀者理解內容。

Palette簡報生成的卡點，是內容判斷與版面幾何要同時做好

小型模型同時決定內容與元素位置時，容易溢出、重疊或風格不一致。 Palette 將決策拆開。

投影片同時涉及內容與幾何；程式碼須經渲染才能檢查版面，而既有簡報通常沒有設計取捨紀錄。部署條件可參考小型模型的硬體、資料與權限檢查。

Palette把簡報規劃和逐頁繪製拆成兩個角色

兩個生成角色分工：Designer 先產生可編輯的逐頁 brief，coder 再依規格產生程式碼；渲染檢查與修復由 harness 收尾。 人可先修訂 brief。

Designer 將計畫轉成 JSON brief，列出色彩、字體、版型、文字與設計理由。

Coder 逐頁讀取 brief 產生 pptxgenjs 程式碼，各頁可平行處理。IBM 表示此階段快約 6 至 7 倍，實際速度視部署條件而定。

兩角色共用 LoRA（低秩適配）微調；套用其他品牌仍須備有涵蓋其設計規則的訓練資料。

指令可指定受眾、語氣、順序、版面或排除內容；產出仍須逐頁驗收。

IBM Research 指出，brief 可編輯，再交給 coder 建構投影片。

簡報計畫轉成逐頁設計 brief，再交由程式碼角色平行製作投影片。 — 可編輯的逐頁 brief 把規劃與繪製接起來，也讓團隊能在生成前修訂設計取捨。

合成資料與參考簡報教模型哪些設計選擇

IBM Research 以合成資料製作約 1,000 份簡報、10,000 張投影片，並記錄設計理由與排除選項。 這不代表通過多品牌測試。

大型模型依類型、長度、版型和指令生成樣本，也記錄取捨理由，例如選長條圖而非表格。

Coder 訓練例子平均比 designer 長約五倍，IBM 因而增加 designer 樣本。企業若混用過時模板、部門規範或未授權素材，參考風格也可能衝突。

參考簡報比提示規則影響更大。企業應盤點版本、代表頁面與素材授權，並核對來源數字。

IBM Research 指出，訓練樣本以取捨理由呈現設計選擇，尚未證明跨品牌遷移。

檢查修復能改善可見版面錯誤，內容事實仍需回查

渲染後的檢查器標記重疊、裁切或溢出，只保留檢查結果改善的修復；內容仍須查證。 IBM 在 131 份簡報測試中回報，加入修復後平均分數增加 3.5 分。

系統以幾何檢查找出問題頁，再讓編輯模型重寫程式碼；改善才採用，否則保留原頁。3.5 分是測試平均值，不能換算成工時或錯誤率。驗收者仍須逐頁比對數字、引用、單位與結論，並保留來源和修改紀錄。

左側列出版面檢查標記重疊、裁切與溢出，右側列出人工核對數字、引用、單位與結論。 — 版面修復能處理看得見的幾何問題，數字與引用仍須回到來源逐項核對。

PresentBench成績不等於品牌簡報符合度

不能。PresentBench 評估簡報品質、視覺設計、完整度、正確性與忠實度，未衡量特定設計語言遵循度。 名次只適用於公布的三個領域與該次流程。

三領域平均分為 59.7，NotebookLM 為 60.8；Talk 領域低於兩套封閉系統。

PresentBench 提供來源文件而非簡報計畫；IBM 先讓另一個大型模型起草計畫，再交給 Palette 製作，測試的是串接流程。

團隊須用自家字體、色彩與圖表樣式建立驗收判準。

IBM Research 指出，PresentBench 衡量簡報品質，未衡量特定設計語言遵循度。

導入Palette前先驗證素材、事實與工作流程

用具代表性且可授權的簡報測試不同題型，逐頁核對內容、品牌版型及修改時間。 試做須同時評估品質與作業成本。

整理素材：選用現行簡報，確認版型、授權與部門規範。
準備題目：涵蓋數據、敘事與複雜版面，備好來源及正確答案。
訂驗收項目：核對數字、內容、品牌與版面，指定審核者。
計算成本：納入整理 brief、修訂、部署與審核時間。
確認資料條件：敏感資料須查明服務條款、傳輸、權限及留存；自架不等於安全無虞。

Prezent 另稱該團隊累計節省 12,500 小時；這是供應商公布的另一套產品案例，不能視為 Palette 的效果。案例來源

Lenovo 表示，Studio AI 讓行銷與業務團隊以提示產出簡報或型錄，外發前由人工審核；公司稱有 11,500 多名業務與夥伴使用，製作最快提升 90%。案例來源

Gamma 以 Claude 3 Haiku 替換原有模型後，Anthropic 表示進階任務正面回饋增加 30%，免費轉付費比例增加 20%。這項 A/B 測試只反映 Gamma 自家產品。案例來源

GitHub 專案列有 Python、Node.js、LibreOffice、Poppler 等依賴及模型後端；下載程式碼不等於取得 IBM 訓練效果，部署前須確認模型、執行條件與授權。可參考生成式媒體工作流導入評估建立自家基準。

若簡報含個人或商業敏感資訊，應確認實際部署下的存取及留存方式。本題不涉及藥物、保健成分或健康宣稱，沒有藥物交互作用議題。

Palette 把逐頁規劃、程式碼生成與版面檢查拆成不同階段，並保留可編輯的 brief。
IBM 公布的 PresentBench 名次與修復分數，不能證明模型已能遵循其他企業品牌，也不能代替內容查核。
導入前要用自家資料檢查品牌符合度、事實忠實度、人工修改成本與資料治理條件。

常見問題

Q1：Palette 是簡報軟體，還是一個模型？

Palette 是 IBM Research 的簡報生成流程，含兩個生成角色及渲染檢查修復。GitHub 列有程式碼與依賴；模型、授權及部署條件須查專案文件。

Q2：Palette 的 PresentBench 成績代表它比其他工具更好嗎？

IBM 報告的結果是 Economics、Education 排名第一，Talk 排名第三，三領域平均排名第二。來源文件先由另一個大型模型整理成計畫，不能直接外推到所有簡報流程。

Q3：Palette 能保證簡報符合公司的品牌規範嗎？

目前沒有。團隊要以自家字體、色彩、版型和內容建立測試案例，再由設計及內容負責人共同判讀。

Q4：版面檢查修復後，還需要人工審稿嗎？

需要。檢查器可找出重疊、裁切和溢出，數字、引用或結論仍須由指定人員核對。

參考來源

相關專題