AeSlides: Incentivizing Aesthetic Layout in LLM-Based Slide Generation via Verifiable Rewards

Resumo Técnico: AeSlides

1. O Problema: O "Gap" de Modalidade

O principal desafio identificado pelos autores é o gap de modalidade na geração de slides por Grandes Modelos de Linguagem (LLMs). Embora os LLMs sejam excelentes em gerar conteúdo semântico (texto), a qualidade de um slide é definida pela sua estética visual (layout).

Atualmente, os modelos enfrentam dois problemas principais:

• Geração baseada em texto vs. Avaliação visual: Os modelos geram código estruturado (como HTML), mas a avaliação de qualidade é visual. Isso faz com que modelos de ponta (como Claude ou GPT) frequentemente produzam slides com proporções distorcidas, excesso de espaços em branco, elementos sobrepostos ou desequilíbrio visual.
• Limitações das soluções atuais: Métodos de "reflexão" (agentes que tentam corrigir o erro após a geração) são caros e lentos, enquanto o ajuste fino (fine-tuning) tradicional oferece uma supervisão estética fraca e indireta.

2. Metodologia: Aprendizado por Reforço com Recompensas Verificáveis

Para resolver isso, os autores propõem o AeSlides, um framework de Aprendizado por Reforço (RL) que utiliza métricas verificáveis em vez de depender apenas de modelos de visão (VLMs) para fornecer recompensas.

A. Métricas Verificáveis (O Coração do Método):
Em vez de perguntar a um modelo de IA "este slide é bonito?", o AeSlides utiliza regras programáticas e análise de DOM (Document Object Model) para detectar quatro problemas estéticos específicos:

1. Proporção Distorcida (Distorted Aspect Ratio): Verifica se o slide mantém a proporção padrão de 16:9 através de renderização dinâmica.
2. Excesso de Espaço em Branco (Excessive Whitespace): Utiliza um método de visão computacional leve (mapas de variância local de pixels) para identificar regiões sem conteúdo semântico.
3. Colisão de Elementos (Element Collision): Analisa as caixas delimitadoras (bounding boxes) no DOM para detectar sobreposições, elementos saindo dos limites ou transbordando containers.
4. Desequilíbrio Visual (Visual Imbalance): Calcula o centroide visual do layout e mede o seu desvio em relação ao centro do canvas.

B. Otimização via GRPO:
O framework utiliza o algoritmo GRPO (Group Relative Policy Optimization). Durante o treinamento, o modelo gera um grupo de respostas para o mesmo prompt, e as métricas verificáveis calculam recompensas precisas para cada uma. O modelo é então otimizado para maximizar essas recompensas estéticas sem perder a coerência do conteúdo original.

C. Estratégias de Estabilização:

• Reward Shaping: Ajuste das funções de recompensa para evitar que o modelo "trave" em soluções extremas.
• GDPO (Reward-Decoupled Normalization): Normalização independente de cada componente de recompensa para evitar que uma métrica com alta variância domine as outras (evitando o colapso do sinal de recompensa).

3. Principais Contribuições

1. Novo Paradigma de RL: Introdução do uso de recompensas verificáveis (baseadas em regras) para alinhar a geração de conteúdo multimídia com preferências estéticas humanas.
2. Conjunto de Métricas de Alta Precisão: Desenvolvimento de um conjunto de métricas que são mais rápidas, baratas e precisas do que o uso de modelos de visão (VLMs) para detecção de erros de layout.
3. Datasets Especializados: Criação do AeSlides-Reward-Bench (para meta-avaliação de métricas estéticas) e do AeSlides-7k (para treinamento de RL).

4. Resultados Experimentais

Os resultados demonstraram uma melhoria drástica no modelo base (GLM-4.7-Flash) com apenas 5 mil prompts de treinamento:

• Conformidade de Proporção (Aspect Ratio): Aumentou de 36% para 85%.
• Redução de Espaço em Branco: Diminuição de 44%.
• Redução de Colisões de Elementos: Diminuição de 43%.
• Redução de Desequilíbrio Visual: Diminuição de 28%.
• Avaliação Humana: O score de qualidade geral subiu de 3.31 para 3.56, superando métodos de reflexão baseados em agentes e até mesmo aproximando-se/superando modelos proprietários como o Claude-Sonnet-4.5.

5. Significância e Conclusão

O trabalho é significativo porque prova que a competência estética pode ser internalizada no modelo durante o treinamento, em vez de apenas corrigida após a geração. Ao transformar conceitos subjetivos de "beleza" em problemas matemáticos e geométricos verificáveis, o AeSlides oferece um caminho escalável e eficiente para criar agentes de IA capazes de produzir conteúdo visual profissional e esteticamente coerente.