コンテンツにスキップ
メインサイト ニュース コンソール

Palette:小型モデルに独自のデザイン言語でスライドを作成させる

· Hugging Face 翻訳済
教程模型卡

最先端のフロンティアモデル(frontier model)にスライドのプレゼン資料(slide deck)の作成を頼めば、通常はそれなりの出来のものが返ってきます。しかし、10本作らせてみると、どれも判で押したように同じに見え始めます。上品ではあるものの画一的なデフォルト設定、共通の内蔵スタイル、そしてそこはかとなく漂う「いかにもAIが作ったスライド」感。普段ならそれでも構わないかもしれませんが、自社独自のテンプレートスタイルに合わせたいとなると話は別です。フロンティアモデルには独自のビルトインスタイルが深く染み付いており、プロンプトをどれほど工夫しても、元のスタイルに引き戻されるのを防ぐことはできません。さらに、社外秘の内容を含むプレゼンテーションでは、そもそもデータをローカルシステムの外に出すことすらできません。

この2つの課題は、いずれも同じ解決策を指し示しています。それは、自社専用のモデルを持つことです。オープンウェイトで、自社のインフラ上で稼働し、自社のデザイン言語に基づいてトレーニングされたモデルです。しかし問題は、実際にセルフホストしたいと思えるような小規模なオープンソースモデルが、このタスクにおいて極めてお粗末だという点です。生成されるスライドは不具合だらけで、見出しが背景に溶け込んで読めなくなったり、テキストがスライドの枠からはみ出したり、図形が無秩序に重なり合ったりしてしまいます。

Palette はある仮説を検証しています。自社のデザイン言語に基づく合成データでトレーニングされ、テストハーネス(検証フレームワーク)によって検証された小規模なオープンソースモデルなら、出力成果物の完全な制御権を保持しつつ、フロンティアモデルのシステムにも対抗できるのではないか、という仮説です。私たちは20B(200億パラメータ)のモデルをファインチューニングし、人間がスライドを作成するプロセスを模倣させました。つまり、デザイナーがプレゼン全体の構成を企画し、プログラマーが各スライドの描画を担当するという分担です。トレーニングデータは IBM デザイン言語(IBM Design Language)に準拠しており、PresentBench ベンチマークテストでは、評価対象とした3つの領域のうち2つでトップを獲得しました。本記事では、合成データの作成方法、モデルのトレーニング、そしてモデルを取り巻く検証・修復フレームワークの構築について解説します。

なぜ小規模モデルにとってスライド作成は難しいのか

スライド資料の作成は一見シンプルに見えますが、実際には小規模モデルが苦手とする3つのタスクをこなす必要があります。

画面を「見ず」にレイアウトを行うこと。 モデルは直接スライドを描画するのではなく、各要素を特定の x・y 座標、幅、フォントサイズに配置するコードを記述します。例えば「75文字の見出しを56ptのフォントサイズにした場合、2行に収まるか」といった判断は、モデルが「頭の中」で数値計算を行わなければならず、コードがレンダリングされて初めて計算ミスに気づくことになります。小規模モデルは頻繁に計算を誤るため、図形の重なりやテキストのはみ出しが発生してしまうのです。

まったく異なる2種類の判断を同時に下す必要があること。 各スライドの内容や見せ方(グラフを使うか表にするか、どの内容を削るか)を決めるのは「編集上の判断(editorial judgment)」です。一方で、それらを正確にレイアウトして配置するのは「幾何学的な問題」です。1回の推論で、10〜20ページにわたるスライド全体においてこれら2つの判断を両立させ、さらにカラーパレットやタイポグラフィ、レイアウト全体の一貫性を維持しなければなりません。

スライドの制作プロセスを示すデータが不足していること。 完成したスライド資料自体は大量に存在しますが、デザイン上の決定理由を説明したデータや、それらのスライドを生成するためのコードはほとんど存在しません。

人間のように構築する:デザイナーとプログラマーの協調

スライド資料を最初から最後まで一気に仕上げられる人はいません。通常はまずストーリーの流れを整理し(全体で何ページか、各ページで何を伝えるか、どのページにグラフや表を入れるか)、その後に1ページずつ組み立てていきます。Palette も同様の方法でタスクを分割し、単一の LoRA アダプター(adapter)に2つの役割を持たせています。

  • デザイナー:構成のアウトラインを読み込み、カラーパレット、タイポグラフィ規約(type system)、各スライドのレイアウト、具体的なコンテンツ、簡潔なデザイン意図などを含む構造化された JSON のブリーフ(指示書)を作成します。
  • プログラマー:ブリーフから単一スライドの仕様を受け取り、思考プロセスを出力した上で、スライドを描画するための pptxgenjs の JavaScript コードを記述します。

これにより、各役割が下すべき判断は