EditPPT: Faithful Long-Deck Slide Editing via Structured Tool-Using Multi-Agent with Dual-Modal Validators
EditPPT 是一个多智能体框架，它通过将任务重新表述为使用原生 PowerPoint 操作和双模态验证的受限工具选择问题，实现了忠实的长篇幻灯片编辑，并在新引入的 DeckEdit-Bench 上展示了卓越的准确性和鲁棒性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代世界中，幻灯片已成为商业、科学和教育领域的通用语言。它是组织、展示并往往是推销复杂思想的媒介。几十年来，制作这些演示文稿一直是一项手动且耗费精力的任务，需要人类将每一个元素点击、拖拽并输入到数字文件中。近年来，人工智能已开始实现从零开始自动创建这些幻灯片，将文本描述转化为视觉幻灯片。然而，一个不同且或许更困难的挑战仍然悬而未决：编辑现有的幻灯片。当用户要求人工智能修改第20页上的某个特定图表，或重写第5页上的标题时，系统不仅必须找到那个精确的位置，还必须确保文档的其他任何部分都保持原封不动。这需要一种精准与克制之间的微妙平衡，以确保一个小小的请求不会意外破坏整个文档的布局。
来自 KAIST AI 的一个研究小组开发了一种名为 EDITPPT 的新系统，旨在解决这一“忠实编辑”的问题。研究人员并没有要求人工智能编写可能意外破坏文件的代码，而是设计了一个将演示文稿视为具有清晰、可管理部分的物理对象的系统。该系统将用户的请求分解为一系列具体的、微小的任务。然后，它将这些任务分配给专门的数字“工人”，每个工人仅受过处理一种特定类型对象的训练，例如文本框、表格、图表或形状。这些工人并不进行猜测或发明；它们通过与 PowerPoint 软件的直接、可靠连接来执行请求的精确更改。在系统认为工作完成之前，它会进行两次检查：一次是通过读取文件的数字结构以确保更改了正确的文字，另一次是通过观察幻灯片的图像以确保视觉布局依然正确。
研究人员在包含超过30张幻灯片的新型真实演示文稿集上测试了这种方法，而这类长篇幻灯片通常是自动化系统的失败之处。他们发现，该方法成功完成了几乎所有交给它的编辑任务，成功率高达 99.5%。更重要的是，该系统在保留不应改变的部分方面表现得异常出色。它在 88.7% 的时间内正确识别了目标幻灯片，并在 82.5% 的时间内遵循了用户指令，同时还保持了 91.5% 的无关对象和格式完全原样。相比之下，其他依赖编写代码或操纵原始文件数据的系统，在演示文稿变长时往往会表现挣扎，会对本应保持不变的幻灯片做出非预期的更改。
这一成功的核心在于系统如何与演示文稿文件进行交互。系统并没有试图一次性理解整个文件（这可能会导致信息过载且易出错），而是专注于一次处理一张幻灯片。它将幻灯片的视觉元素转化为 AI 可以理解的清晰、结构化的列表。当用户要求更改某个特定框的颜色时，系统通过其唯一的 ID 识别该框，并向一个专门的代理发送命令，该代理确切知道如何在不触及旁边文本的情况下更改颜色。这种方法防止了当系统尝试重写一大段代码并意外破坏附近内容时所发生的连锁错误。研究人员还引入了一个新的基准测试，即包含 28 个真实演示文稿、涵盖数百张幻灯片和数百个编辑请求的集合，以证明他们的系统适用于人们实际使用的混乱且复杂的复杂文件，而非仅仅是完美的、计算机生成的示例。
结果表明，这种方法在处理长篇、复杂的演示文稿时表现尤为强劲。虽然其他系统随着幻灯片数量的增加，其性能显著下降，但 EDITPPT 保持了其高水平的准确性和保留度。这表明，可靠编辑的关键不仅在于拥有更聪明的 AI，还在于有一种更聪明的使用 AI 的方式。通过将 AI 的行为限制在特定的工具集内，并让它通过数字和视觉双重维度来检查工作，该系统实现了此前所缺失的可靠性水平。研究人员得出结论，如果 AI 要真正成为文档编辑中有用的伙伴，它必须受到严格约束的引导，使其符合所使用应用程序的结构，而不是被赋予随意重写文件的自由。这种方法确保了最终结果不仅是一个被修改过的文件，还是一个尊重用户意图并维护其作品完整性的、忠于原件的版本。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。