来看一个PPT生成思路：PPTAgent。传统的PPT生成方法通常使用端到端的文本生成范式，这种方法 仅关注文本内容，忽略了布局设计和PPT结构 。PPTAgent 采用了一种基于编辑的生成范式，解决处理 空间关系和设计风格 方面的挑战。
传统方法的每个幻灯片
可以用以下公式表示：
其中，
表示幻灯片上的元素数量，
表示由章节和图形组成的源内容。每个元素
由其类型、内容和样式属性（如边框、大小、位置等）定义。
与传统的生成方法相比，PPTAgent 采用了一种基于编辑的生成范式，该方法生成一系列修改现有幻灯片的动作。过程可以用以下公式表示：
其中，
表示生成的动作数量，每个动作
表示一行可执行的代码，
是正在编辑的参考幻灯片。
方法
PPTAgent框架
在本文中，PPTAgent 是一个用于自动生成PPT的框架。采用基于编辑的工作流程，分为两个阶段：PPT分析和PPT生成。
阶段 I: PPT分析
主要目标是通过 幻灯片聚类 和 内容schema提取 ，为PPT生成提供结构化和语义化的参考信息。这一阶段的结果将直接影响后续阶段的生成质量和效率。
- 幻灯片聚类
幻灯片聚类（层次聚类）是将参考PPT中的幻灯片按照其功能和内容进行分组的过程。幻灯片可以分为两大类：
聚类算法：
层次聚类
聚类示例
- 结构性幻灯片 ：这些幻灯片主要用于支持演示文稿的结构，例如开场幻灯片、过渡幻灯片和结束幻灯片。对于此类幻灯片，PPTAgent利用LLM推断每个幻灯片的功能角色，并根据这些角色进行分组。这些幻灯片通常具有明显的文本特征。
- 内容性幻灯片 ：这些幻灯片主要用于传达具体的信息，例如包含项目符号、图表和图像的幻灯片。对于此类幻灯片，PPTAgent采用基于图像相似性的层次聚类方法。通过计算幻灯片之间的图像相似度，将相似的幻灯片归为一组。
- 内容Schema提取
完成幻灯片聚类后，PPTAgent进一步分析每个聚类的内容Schema，以确保编辑的目标一致性。由于现实世界中的幻灯片可能非常复杂且碎片化，PPTAgent利用LLM的上下文感知能力提取多样化的内容Schema。PPTAgent定义了一个内容Schema提取框架，其中每个元素由其 类别 、 模态 和 内容 表示。基于这个框架，PPTAgent通过LLM的指令遵循（原文给出了相关prompts）和结构化输出能力，从每个幻灯片中提取内容Schema。提取过程如下：
- 类别 ：描述元素的类型，例如文本框、图像等。
- 模态 ：描述元素的呈现方式，例如纯文本、带图形的文本等。
- 内容 ：描述元素的具体内容，例如文本内容或图像的替代文本。
阶段 II：PPT生成
第二阶段是基于第一阶段的分析结果，生成新的PPT。这一阶段的核心是通过交互式的编辑过程，利用参考幻灯片和输入文档生成目标PPT。步骤包括：生成一个结构化的大纲，指定每个幻灯片的参考幻灯片和相关内容；使用 LLMs迭代编辑 参考幻灯片以生成新幻灯片；实现五个专门的API，允许LLMs编辑、删除和复制文本元素，以及编辑和移除视觉元素。
大纲生成 ：大纲生成是根据人类偏好，指导LLM创建一个结构化的大纲。每个条目指定参考幻灯片、相关文档部分索引以及新幻灯片的标题和描述。通过利用LLM的规划和总结能力，结合从参考PPT中提取的语义信息，生成一个连贯且吸引人的大纲，从而指导新PPT的生成过程。
幻灯片生成 ：幻灯片生成是在大纲的指导下，通过迭代编辑参考幻灯片来生成新幻灯片的过程。为了实现对幻灯片元素的精确操作，PPTAgent实现了五个专门的API，允许LLM 编辑、删除和复制文本元素，以及编辑和删除视觉元素 。此外，为了增强对幻灯片结构的理解，PPTAgent将幻灯片从 其原始XML格式转换为HTML表示，这种表示形式更易于LLM解释 。
实验
评价指标，现有的指标包括：
- 成功率（Success Rate, SR）
- 困惑度（Perplexity, PPL）
- Fréchet Inception Distance（FID）
PPTEval指标包括：
- 内容（Content）
- 设计（Design）
- 连贯性（Coherence）
- 平均分（Avg.）
这些指标用于评估生成的PPT在不同维度上的质量。
参考文献
PPTAgent: Generating and Evaluating Presentations Beyond Text-to-Slides，https://arxiv.org/pdf/2501.03936v1