🤖 AI

SlideGen: Collaborative Multimodal Agents for Scientific Slide Generation

Este artículo presenta SlideGen, un marco de agentes multimodales colaborativos que transforma artículos científicos en diapositivas de presentación bien estructuradas mediante la coordinación de la planificación narrativa, la fundamentación multimodal y la composición del diseño, al tiempo que propone una nueva métrica de densidad consciente de la geometría para evaluar el equilibrio y la efectividad visual.

Autores originales: Xin Liang, Zhilin Zhang, Xiang Zhang, Haoran Su, Yiwei Xu, Siqi Sun, Chenyu You

Publicado 2026-08-25

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Xin Liang, Zhilin Zhang, Xiang Zhang, Haoran Su, Yiwei Xu, Siqi Sun, Chenyu You

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Cada día, científicos e investigadores dedican incontables horas a traducir densos artículos técnicos en diapositivas para presentaciones. Este es un ritual necesario para conferencias, aulas y seminarios, donde las ideas complejas deben destilarse en un puñado de páginas claras y visualmente organizadas. El desafío no es meramente resumir el texto; es un acto delicado de narración. Un presentador debe decidir qué narrativa contar, qué figuras resaltar y cómo disponer el texto y las imágenes para que no se amontonen entre sí. Si el diseño es deficiente, la audiencia se confunde o se fatiga, independientemente de lo brillante que sea la investigación subyacente. Durante décadas, este proceso se ha realizado casi por completo a mano, una tarea que consume mucho tiempo y que lucha por mantener el ritmo ante el creciente volumen de la producción científica.

La dificultad central radica en el hecho de que crear una buena presentación requiere dos tipos de pensamiento distintos de forma simultánea. Primero, uno debe comprender la historia larga y detallada del artículo de investigación. Segundo, uno debe poseer un sentido del diseño visual para organizar esa historia en un formato que sea fácil de leer. La mayoría de los programas informáticos existentes que intentan automatizar esta tarea se centran únicamente en el texto, produciendo a menudo diapositivas que están abarrotadas, son repetitivas o visualmente desequilibradas. Tratan la creación de una presentación como un simple trabajo de resumen, omitiendo el paso crucial de diseñar cómo luce la información en la página.

Para resolver esto, un equipo de investigadores ha desarrollado un nuevo sistema llamado SlideGen. En lugar de depender de un único programa informático para hacerlo todo a la vez, construyeron un equipo colaborativo de agentes digitales especializados. Piensen en estos agentes como un grupo de expertos trabajando juntos en un estudio, donde cada persona tiene un trabajo específico. Un agente actúa como el director, leyendo todo el artículo para esbozar la historia y decidir cuáles deben ser los puntos principales. Otro agente actúa como un curador, seleccionando cuidadosamente los gráficos, diagramas y ecuaciones adecuados para respaldar esos puntos. Un tercer agente funciona como diseñador, eligiendo de una biblioteca de diseños preestablecidos para organizar el texto y las imágenes de modo que encajen perfectamente sin solaparse. Finalmente, un cuarto agente escribe las notas del orador, proporcionando el guion que conecta las diapositivas en una narrativa hablada fluida.

Los investigadores probaron este sistema en 200 artículos científicos recientes de las principales conferencias de ciencias de la computación. Descubrieron que el enfoque colaborativo produjo diapositivas que eran significativamente mejores que las generadas por otros métodos. El nuevo sistema creó presentaciones que no solo eran fieles a la investigación original, sino también visualmente equilibradas y fáciles de seguir. Para medir esto, el equipo desarrolló una nueva forma de calificar las diapositivas basándose en qué tan bien el contenido llenaba la página, evitando tanto el espacio vacío como el desorden visual. Sus resultados mostraron que las diapositivas generadas por este equipo de agentes coincidían con el juicio humano de calidad de forma mucho más cercana que los intentos anteriores.

En un estudio que involucró a 30 personas con experiencia en presentaciones académicas, los resultados fueron sorprendentes. Cuando se les pidió elegir un conjunto de diapositivas para usarlo como borrador para sus propias charlas, casi todos los participantes prefirieron las creadas por el nuevo sistema sobre aquellas hechas por otras herramientas automatizadas. Muchos calificaron la calidad de estas diapositivas generadas por computadora como mejor de lo que la mayoría de los humanos podrían producir, y algunos incluso las calificaron como de nivel experto. El sistema tuvo éxito porque no solo copió y pegó información; razonó sobre la estructura de la presentación y el diseño visual simultáneamente. Al dividir la compleja tarea de la creación de diapositivas en pasos más pequeños y especializados manejados por diferentes agentes, los investigadores demostraron que las computadoras pueden aprender a manejar los aspectos artísticos y narrativos de la comunicación científica, convirtiendo una tediosa tarea manual en un proceso eficiente y automatizado.

Resumen Técnico: SlideGen

Declaración del Problema

La generación automática de diapositivas de presentaciones a partir de artículos científicos es una tarea multimodal única y desafiante que se extiende más allá de la simple resumición de texto. Unas diapositivas efectivas requieren no solo la extracción de información clave, sino también el razonamiento conjunto sobre contextos largos, la selección y alineación de evidencia multimodal (figuras, tablas, ecuaciones) y el diseño visual deliberado de los diseños para asegurar la claridad y el flujo narrativo.

Los enfoques existentes enmarcan este problema principalmente como una tarea de generación de texto o de resumición de contenido. Si bien los métodos recientes han mejorado la selección de contenido y ofrecen cierto soporte para entradas multimodales, a menudo tratan el diseño visual como una preocupación secundaria o dependen de ajustes post-hoc. En consecuencia, las diapositivas generadas suelen sufrir de diseños repetitivos, un mal equilibrio visual entre texto e imágenes y una falta de estructura narrativa coherente a través de las páginas. Además, los protocolos de evaluación existentes suelen depender de métricas basadas en texto (por ejemplo, ROUGE) o de jueces basados en VLM que capturan solo parcialmente la organización visual, la dispersión y la fragmentación.

Metodología

Los autores proponen SlideGen, un marco de agentes multimodales colaborativos diseñado para coordinar la planificación narrativa, el anclaje multimodal y la composición de diseño con principios establecidos. A diferencia de los modelos monolíticos o las reglas de formato rígidas, SlideGen orquesta un flujo de trabajo de seis agentes especializados de visión y lenguaje organizados en cuatro etapas secuenciales:

Planificación Narrativa (Outliner):
El agente Outliner realiza un análisis global del documento y genera una estructura narrativa de alto nivel. Determina el esquema de la presentación, asignando ideas clave en una secuencia coherente de diapositivas, y genera títulos y resúmenes concisos para cada segmento.
Anclaje Multimodal (Mapper & Formulizer):
- Mapper: Asigna activos visuales (figuras y tablas) a diapositivas específicas basándose en la alineación semántica con las afirmaciones narrativas, proporcionando justificaciones para cada asignación.
- Formulizer: Aborda el desafío específico de anclar ecuaciones, que carecen de leyendas. Recorta las ecuaciones como imágenes de alta resolución para preservar la tipografía y las vincula a las diapositivas basándose en el contexto textual circundante, evitando artefactos de la re-renderización de LaTeX.
Composición de Diseño (Arranger):
El agente Arranger ensambla cada diapositiva seleccionando un modelo de diseño de una biblioteca predefinida de 19 plantillas de ranuras fijas. Esta biblioteca cubre diversas estructuras (por ejemplo, solo texto, imagen izquierda/derecha, cuadrículas de múltiples imágenes, centradas en fórmulas). El agente selecciona la plantilla óptima $\ell_i$ para una diapositiva $s_i$ maximizando la compatibilidad con el perfil de contenido (número de viñetas, imágenes, ecuaciones y relaciones de aspecto). Crucialmente, el uso de ranuras fijas evita el solapamiento de elementos y asegura la capacidad de edición en formatos PPTX estándar. Si una asignación de contenido es inviable para cualquier plantilla, el sistema indica al Mapper que redistribuya los activos.
Refinamiento Global (Refiner & Speaker):
- Refiner: Realiza ajustes a nivel de la presentación completa, incluyendo la fusión de diapositivas consecutivas de solo texto en diseños de dos columnas, el manejo del desbordamiento de texto mediante el escalado de fuente acotado y la compresión de contenido, y la extracción de un tema de color a partir de las figuras del artículo original para asegurar la cohesión visual.
- Speaker: Genera notas del orador para cada subsección, sintetizando una narrativa oral fluida que explica las transiciones y la lógica detrás de las elecciones visuales, independientemente de los puntos de la lista.

Protocolo de Evaluación:
Para abordar la falta de métricas visuales robustas, los autores introducen la Densidad con Conciencia Geométrica (GAD). Esta métrica cuantifica la calidad del diseño combinando dos componentes:

Ocupación ( $OM_i$ ): Mide la fracción del lienzo de la diapositiva cubierta por el contenido, penalizando las desviaciones de una densidad objetivo $\tau$ .
Recompensa de Fragmentación ( $FR_i$ ): Una función cuadrática cóncava que recompensa un número óptimo de elementos de contenido ( $M^\star$ ), penalizando tanto los diseños dispersos como los saturados.
La puntuación GAD se calibra con juicios humanos utilizando validación cruzada de dejar un deck fuera (leave-one-deck-out).

Contribuciones Clave

Marco de Trabajo SlideGen: Un sistema modular de múltiples agentes que descompone la generación de diapositivas en roles distintos (planificación, anclaje, diseño, refinamiento) para producir archivos PPTX editables sin requerir presentaciones de referencia.
Evaluación de Cuatro Dimensiones: Un protocolo estandarizado que evalúa la generación de diapositivas a través de (i) estética visual (vía GAD), (ii) efectividad de la comunicación (SlideQA), (iii) coherencia holística (VLM-como-Juez) y (iv) coherencia textual (Perplejidad).
Densidad con Conciencia Geométrica (GAD): Una métrica novedosa, centrada en el diseño, que cuantifica la saturación visual, la dispersión y la fragmentación, mostrando una fuerte correlación ( $\rho = 0.820$ ) con los juicios humanos.
Biblioteca de Diseños Extensible: Un sistema de plantillas de ranuras fijas que evita el solapamiento de elementos por construcción, permitiendo al mismo tiempo composiciones de diapositivas diversas.

Resultados

El sistema fue evaluado en un benchmark de 200 artículos revisados por pares de los principales eventos de IA (ICLR, ICML, NeurIPS). SlideGen se comparó con varios modelos base, incluyendo generadores de extremo a extremo (GPT-4o/5 HTML/Imagen) y flujos de trabajo de múltiples agentes (PPTAgent, PosterAgent).

Rendimiento: SlideGen superó consistentemente a todos los modelos base en las cuatro dimensiones de evaluación. Logró las puntuaciones de SlideQA más altas (indicando mejor cobertura de contenido y razonamiento), las mejores puntuaciones de VLM-como-Juez (diseño y coherencia) y la menor perplejidad (fluidez textual).
Calidad de Diseño: SlideGen logró las mejores puntuaciones de GAD, demostrando un equilibrio superior entre el espacio ocupado y el vacío en comparación con los modelos base que a menudo producían diseños o bien dispersos o bien saturados.
Estudio de Usuario: En un estudio con 30 participantes (incluyendo estudiantes de doctorado e investigadores), el 93.3% prefirió el resultado de SlideGen sobre los modelos base competitivos. El 73.3% calificó la calidad como "mejor que la mayoría de las diapositivas hechas por humanos" y el 6.7% la calificó como "de nivel experto de alto nivel".
Ablación: Eliminar el Outliner causó la mayor caída en la cobertura de contenido y la calidad del lenguaje, mientras que eliminar el Arranger causó la degradación más significativa en la densidad del diseño, confirmando la necesidad del diseño de agentes especializado y por etapas.

Significado

El artículo argumenta que la generación efectiva de diapositivas requiere de un razonamiento de diseño multimodal en lugar de solo una resumición de texto. Al descomponer la tarea en agentes colaborativos, SlideGen cierra la brecha entre la comprensión de documentos y la comunicación científica. El trabajo demuestra que el razonamiento de diseño explícito y el anclaje multimodal son críticos para producir presentaciones que sean fieles al material de origen y efectivas para audiencias humanas. La métrica GAD propuesta ofrece una forma fundamentada de evaluar la organización visual, abordando un vacío en la investigación actual de la generación automatizada de diapositivas.