PresentAgent-2: 迈向通用多模态演示代理
摘要
PresentAgent-2 是一个智能体框架，通过开展调研、创建多模态幻灯片并生成跨单人、讨论和互动模式的交互式内容，根据用户查询生成演示视频。
查看缓存全文
缓存时间: 2026/05/14 04:17
论文页面 - PresentAgent-2: 迈向通用多模态演示智能体
来源: https://huggingface.co/papers/2605.11363
摘要
PresentAgent-2 是一个智能体框架，可根据用户查询生成演示视频，它通过进行调研、创建多模态幻灯片，并在单人、讨论和互动模式下生成交互内容。
演示生成正从静态幻灯片创建，向端到端演示视频生成（https://huggingface.co/papers?q=presentation%20video%20generation）发展，融合研究支撑（https://huggingface.co/papers?q=research%20grounding）、多模态媒体（https://huggingface.co/papers?q=multimodal%20media）和互动交付。我们介绍 PresentAgent-2，一个用于根据用户查询生成演示视频的智能体框架（https://huggingface.co/papers?q=agentic%20framework）。给定一个开放式用户查询和选定的演示模式，PresentAgent-2 首先将查询总结为一个聚焦主题，并对适合演示的源头进行深度调研，收集多模态资源，包括相关文本、图像、GIF 和视频。然后它构建演示幻灯片、生成模式专属脚本，并将幻灯片、音频和动态媒体合成完整的演示视频。PresentAgent-2 在统一框架内支持三种独立的演示模式（https://huggingface.co/papers?q=presentation%20modes）：单人演示（https://huggingface.co/papers?q=Single%20Presentation），生成单人叙述的演示视频；讨论（https://huggingface.co/papers?q=Discussion），创建多说话人、具有结构化的说话人角色的演示，例如用于提出引导性问题、解释概念、澄清细节和总结要点；以及交互（https://huggingface.co/papers?q=Interaction），独立支持基于生成的幻灯片、脚本、检索到的证据和演示上下文来回答观众问题。为评估这些能力，我们构建了一个多模态演示基准，涵盖单人演示（https://huggingface.co/papers?q=single%20presentation）、讨论（https://huggingface.co/papers?q=discussion）和交互（https://huggingface.co/papers?q=interaction）场景，并设有针对内容质量、媒体相关性、动态媒体使用、对话自然度（https://huggingface.co/papers?q=dialogue%20naturalness）和交互支撑（https://huggingface.co/papers?q=interaction%20grounding）的任务专属评估标准。总体而言，PresentAgent-2 将演示生成从依赖文档的幻灯片创建，扩展为查询驱动、研究支撑的、包含多模态媒体（https://huggingface.co/papers?q=multimodal%20media）、对话和交互（https://huggingface.co/papers?q=interaction）的演示视频生成（https://huggingface.co/papers?q=presentation%20video%20generation）。代码：https://github.com/AIGeeksGroup/PresentAgent-2。网站：https://aigeeksgroup.github.io/PresentAgent-2/。
查看 arXiv 页面（https://arxiv.org/abs/2605.11363）查看 PDF（https://arxiv.org/pdf/2605.11363）项目页面（https://aigeeksgroup.github.io/PresentAgent-2/）GitHub2（https://github.com/AIGeeksGroup/PresentAgent-2）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2605.11363）
在您的智能体中获取此论文：
hf papers read 2605\.11363
没有最新 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash
引用此论文的模型0
没有模型链接此论文
在模型 README.md 中引用 arxiv.org/abs/2605.11363 即可从此页面链接它。
引用此论文的数据集1
AIGeeksGroup/PresentEval 查看器•更新于约14小时前 • 58 • 63（https://huggingface.co/datasets/AIGeeksGroup/PresentEval）
引用此论文的 Space0
没有 Space 链接此论文
在 Space README.md 中引用 arxiv.org/abs/2605.11363 即可从此页面链接它。
包含此论文的收藏0
没有收藏包含此论文
将此论文添加到收藏（https://huggingface.co/new-collection）即可从此页面链接它。
相似文章
MM-WebAgent: 一种用于网页生成的分层多模态Web智能体
MM-WebAgent是一种分层智能体框架，通过联合优化布局和多模态内容来协调基于AIGC的元素生成，从而生成连贯且视觉一致的网页。本文引入了一个基准测试和多级评估协议，展示了该框架相比代码生成和基于智能体的基线方法的改进。
Agent S2：一种面向计算机使用智能体的组合式通才-专才框架
Agent S2 是一种新型的计算机使用智能体组合式框架，通过采用混合定位（Mixture-of-Grounding）与主动分层规划（Proactive Hierarchical Planning）技术，在多个基准测试中达到了最先进的性能。
我制作了10套游戏化、交互式的演示文稿，用于教授Agentic AI（别再读白皮书读到昏昏欲睡了）。
一位开发者在AgentSwarms平台内构建了10套游戏化、交互式的幻灯片，用于教授Agentic AI概念（如ReAct循环、多智能体群体和生产级RAG），采用主动回忆而非被动阅读的方式。
LectūraAgents: 自适应个性化AI辅助学习与具身教学的多智能体框架
LectūraAgents是一个用于自适应个性化学习的多智能体框架，它模拟教授与学生的互动，并生成与学习者画像对齐的具身教学动作。它引入了层级架构、自适应具身教学机制以及教学动作-语音对齐算法，在现有方法上表现出一致的改进。
Macaron-A2UI：面向个人智能体的生成式UI模型
介绍了Macaron-A2UI，一种用于个人智能体的生成式UI模型，可综合动态界面与轻量级可执行操作，超越纯文本聊天。本文引入大规模语料库、A2UI-Bench基准，并使用LoRA微调和强化学习训练了高达754B参数的模型，取得了显著成果。