ReDeck: 步骤级渲染锚定优化用于文档到幻灯片生成

# 简介
来源：https://arxiv.org/html/2609.00194 2026年8月
**ReDeck：面向文档到幻灯片生成的步骤级渲染基础精炼框架**
Muzhao Tian4,∗† Zezi Zeng3,∗ Yifan Yang1,‡ Xin Gao4 Yan Li2 Zisu Huang4 Xiaohua Wang4 Changze Lv4 Mingxi Cheng1 Bei Liu1 Kai Qiu1 Qi Dai1 Dong Chen1 Yue Dong1 Xiaoqing Zheng4,‡ Ji Li1 Chong Luo1
1微软公司 2上海交通大学 3西安交通大学 4复旦大学

文档到幻灯片生成具有挑战性，因为幻灯片是密集的可编辑制品，需要既忠实于内容选择又具备精确的空间布局。近期的幻灯片智能体采用了迭代反思，但通常遵循一个整体的“一个版本，一次反馈”循环：一个幻灯片或幻灯片组被重写，之后进行渲染，并且仅在回合边界时接受评判。这种延迟反馈使得诸如溢出、重叠、裁剪和画布外放置等局部故障难以归因和修复。我们提出了 **ReDeck**，一个步骤级渲染基础精炼框架，它将幻灯片修订分解为原子编辑操作，并在每一步后返回渲染器生成的观察结果，将精炼转变为“一次编辑，一次观察”。

为了平衡局部修复与整体质量，**ReDeck** 使用多粒度反馈：针对空间错误的步骤级渲染反馈、针对语义和设计指导的回合级自适应批评，以及用于硬性布局验证的提交级检查门控。我们进一步引入 **DeckQuiz**，一个将内容保真度、空间正确性和设计质量解耦的基准测试。在GPT-5.4、Claude-4.6和Gemini-3.1模型上，**ReDeck** 持续优于现有的幻灯片生成智能体，消融实验证实反馈的时机和粒度对于可靠的幻灯片精炼至关重要。
项目页面：https://aka.ms/ReDeck
代码：https://github.com/microsoft/ReDeck
日期：2026年8月
许可证：CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/)
∗共同贡献。†在微软实习期间完成的工作。‡通讯作者。

演示幻灯片是传达复杂文档的核心媒介，包括科学论文、技术报告和业务分析。与纯文本摘要不同，幻灯片是密集的视觉制品：它们必须保留源语义，将信息组织成连贯的叙述，并在有限的二维画布内安排文本、图形、图表、图标和视觉重点。因此，文档到幻灯片生成是一个耦合的语义-空间问题，内容保真度、布局有效性和视觉可读性必须被联合优化。

近期的文档到幻灯片系统大多遵循“先生成后渲染”的范式[9, 61, 10, 28, 62]。早期方法尝试一次性生成完整的幻灯片组，例如通过提取大纲并使用预定义布局渲染幻灯片[28]。由于一次性生成通常无法满足精美幻灯片组的诸多约束，近期的系统自然地引入了反思：智能体渲染候选幻灯片组，从批评者处接收反馈，并在下一轮次中修订幻灯片组，这遵循了LLM自我纠正的更广泛实践[49, 58, 33, 40, 64]。然而，这种标准的精炼循环仍然是*整体性*的：智能体进行大范围的幻灯片或幻灯片组级别的重写，随后才观察渲染结果，然后才收到整体性的批评。换句话说，现有的智能体大多遵循“一个版本，一次反馈”的模式。这种模式与幻灯片精炼并不匹配。

与自然图像不同，幻灯片是包含许多小型、承载信息元素的可编辑制品。一张有缺陷的幻灯片可能同时包含高级问题（如缺少贡献、不正确的主张、薄弱的叙述流或糟糕的源基础）和低级问题（如文本溢出、元素重叠、对比度低、未使用空间、裁剪和错位）。在一次整体批评中精确描述所有这些问题，需要在视觉区域、源内容和可编辑代码之间进行困难的对齐。即使批评是正确的，一次性修复许多纠缠的问题也很困难：智能体必须决定先修复哪个缺陷，推断哪个编辑导致了每个失败，并避免破坏已经正确的区域。如图1（左侧）所示，在进行整体性重写后，幻灯片组可能包含多个空间失败，但其原因不再能归因于单个编辑。

这引出了一个不同的精炼原则：反馈应在能最可靠地观察和修复相应问题的粒度上提供。对于局部布局错误，等到回合结束才反馈是不必要的延迟。如果添加项目符号立即导致溢出，调整文本块大小立即导致重叠，或移动图片立即将内容推出画布，那么智能体应该在执行下一个操作之前观察到该渲染后果。这种步骤级反馈减轻了批评者的负担，因为每个观察只需要解释最新编辑的后果；同时也减轻了编辑者的负担，因为智能体可以在原因仍清晰时修复一个问题。

然而，仅靠步骤级布局反馈无法判断整个幻灯片组是否忠实、完整、连贯且设计良好。因此，幻灯片精炼需要*多粒度反馈*：用于局部空间修复的细粒度渲染基础观察，以及用于全局语义和设计方向的较粗粒度的回合级反思。

> 图1：回合级反思与ReDeck的步骤级渲染基础精炼对比。
> 左侧：传统的整体性精炼进行大范围的幻灯片重写，并在渲染结果后才接收反馈，导致溢出、重叠、低对比度和画布外失败难以归因于单个编辑。
> 右侧：**ReDeck** 将精炼分解为原子编辑，并在每一步后返回渲染器生成的观察结果，因此智能体可以在局部布局错误出现时立即修复，同时接收全局的回合级指导。

我们引入 **ReDeck**，一个用于文档到幻灯片生成的*步骤级渲染基础精炼*框架。**ReDeck** 不通过整体重写来修订幻灯片，而是将智能体约束在一个由原子编辑（如添加图片、插入项目符号、调整文本块大小、移动元素或调整视觉属性）组成的组合动作空间中。每次操作后，渲染环境返回关于当前视觉状态的结构化观察结果，包括溢出、重叠、裁剪、画布外放置、对比度问题和关键元素几何信息。这将精炼循环从“一个版本，一次反馈”转变为“一次编辑，一次观察”，使智能体能够基于前一次编辑的实际渲染后果来指导其下一次编辑，如图1（右侧）所示。

为了协调局部修复与整体展示质量，**ReDeck** 实现了职责分离的多粒度反馈。在步骤级，确定性渲染反馈报告即时的空间事实，但不充当全局裁判。在回合级，一个自适应的幻灯片组批评器维护一个持久的问题列表，处理更高层次的问题，包括叙述流、内容完整性、事实正确性、源保真度和视觉设计。在提交级，一个验证门控确保在一个回合被提交之前，总的硬性违规次数相对于会话基线没有增加。这种设计让每个反馈源在其最可靠的层级上运作：渲染器观察处理局部布局失败，幻灯片组批评器处理语义和设计方向，提交门控确保临时的无效状态不会被保留为最终进展。

为了评估这个框架，我们引入 **DeckQuiz**，一个分别衡量内容保真度、空间正确性和设计质量的基准测试。这种分解允许我们将改进归因于相应的精炼组件，而不是仅依赖聚合的最终幻灯片组分数。在GPT-5.4、Claude-4.6和Gemini-3.1模型上，在匹配的每任务LLM调用次数限制下，**ReDeck** 持续优于现有的幻灯片生成智能体。消融研究表明，步骤级渲染基础显著提高了空间正确性并稳定了精炼过程，而回合级自适应批评器在语义和设计质量方面提供了互补的增益。共享起始控制、外部基准评估、45任务盲评人类研究以及PPTX格式转换测试了所提出精炼原则的归因性、评估器依赖性和格式适用范围。

**贡献：**
1) **步骤级渲染基础精炼。** 我们将幻灯片精炼表述为一系列原子编辑操作，每个操作后都跟随渲染器生成的观察结果，使得局部布局失败能够在发生时被检测和修复。
2) **面向幻灯片智能体的多粒度反馈。** 我们结合了步骤级确定性渲染反馈、回合级自适应反思和提交级验证，将不同的反馈源分配到它们最可靠和有用的层级。
3) **用于组件级评估的DeckQuiz。** 我们引入了一个将内容保真度、空间正确性和设计质量解耦的基准测试，从而实现对文档到幻灯片生成改进的细粒度归因。

## 相关工作
**自动化幻灯片生成。** 早期的文档到幻灯片工作侧重于从结构化输入进行内容选择和布局[9, 42, 1]。更近期的系统将幻灯片创建构建为一个智能体任务：**AutoPresent**[10]、**PPTAgent**[61]、**SlideGen**[28] 和 **Auto-Slides**[56] 将流程分解为多个专用智能体，而 **SlideTailor**[59] 和 **ArcDeck**[36] 进一步处理个性化和叙述结构。尽管取得了这些进展，大多数系统都在粗粒度的回合级进行评估和精炼。**DeepPresenter**[62] 与我们最为相关，因为它在精炼循环中引入了渲染检查，但它并未在每次单独编辑后验证布局完整性，允许空间错误在回合内无声积累。

在幻灯片之外，HTML/网页环境中的代码生成工作[41, 26]处理了密切相关的符号到渲染的非线性问题，但操作于单页制品上，没有多轮次精炼的约定。更广泛的LLM驱动的布局生成文献[14, 19, 8]一次性预测元素位置，没有渲染基础的修复循环。

**LLM智能体中的反馈与自我纠正。** 通过反馈进行迭代精炼是提高模型性能的核心范式，它建立在思维链提示和ReAct[49, 58]所确立的推理-行动轨迹之上，并被诸如Self-Refine[33]和Reflexion[40]等利用语言自我纠正的框架所例证。将反馈建立在外部证据基础上的工作在Critic[11]和相关自我纠正研究[18]中得到进一步发展；执行反馈变体将循环建立在编译器或测试信号基础上[4, 45, 17]，而多智能体SOP框架[15, 52]和软件工程智能体基准测试[21, 48]将同一原则扩展到更丰富的环境中。虽然像WebArena[64]、AgentBench[31]和SWE-agent[54]这样的环境展示了实时观察的必要性，并且将动作建立在渲染截图基础上的GUI/视觉智能体[16, 60]在视觉模态中强调了同一点，但幻灯片智能体常常缺乏捕捉即时布局回归的特定渲染状态差异。现有系统主要依赖整体性或标量反思[10, 36, 62]。相比之下，**ReDeck** 将反馈解耦为步骤级客观事实和回合级语义指导，以稳定长周期的精炼过程。

**文档设计和布局的基准测试。** 对生成的演示文稿进行准确评估需要超越通用的文本相似性度量[12, 10, 61, 43]，转向能够保留源保真度和画布完整性的指标。近期的基准测试如**PresentBench**[3]、**SlidesGen-Bench**[55]、**ArcDeck**[36]、**AeSlides**[37]和**DECKBench**[20]，以及跨格式套件如**BizGenEval**[27]，引入了对布局尺寸、空白、视觉失衡和参考对齐内容保真度的可验证检查。这些发展与关于多约束指令遵循[13]和查询特定评分标准[32]的更广泛研究保持一致，强调评估信号应是特定于实例的。

植根于感知组织和多媒体学习的经典原则[50, 34, 44, 29]，我们提出的 **DeckQuiz** 通过解耦内容、空间和设计维度，解决了LLM作为评判者[63, 5, 23, 38, 47]指标固有的方差和偏差问题。