想揾一個模型幫你出簡報？大模型出嚟嘅每份都似晒同一款：同一套「好品味」預設、同一種 house style，一望就知係 AI 出嘅。如果你嘅公司有自己的模板，或者內容機密不能離開自己系統，呢個「好」就解決唔到你嘅問題。
IBM Research 喺 Hugging Face 發布嘅 Palette，就係為咗應對呢兩個問題。佢們嘅賭注係：一個 20B（200 億參數）嘅開源權重模型，用你嘅設計語言合成數據訓練，加上 harness（校驗框架）檢查，可以同 frontier 系統拚到，同時成果嘅主權攞喺自己手上。
點解細模型做簡報咁難？
簡單出簡報聽落容易，但要模型同時做好三件細模型最唔鍾意嘅嘢。
第一，模型唔見版面。佢寫嘅係程式碼，每個元素有 x、y 座標、寬度、字體大小。一個 75 字標題喺 56pt 係唔係啱放兩行，係模型自己「心算」嘅，只有 code 跑完先知道有冇錯。細模型呢度出錯就係 shapes 重疊、文字跑出頁面。
第二，一次要做兩類決定：「呢頁放 chart 定 table？」係編輯判斷；「呢個字放邊度？」係幾何計算。10–20 頁簡報都要同時處理，配色、字體、版面都要一致。
第三，冇數據顯示簡報係點樣做出嚟嘅。成嘢簡報有得睇，但設計背後的理據同出產嘅程式碼，冇人保存過。
Palette 點做？
圖片：Dicklyon／CC BY-SA 4.0／Wikimedia Commons
冇人一次做出成份簡報。你先決定故事（幾多頁、每頁講乜、邊頁要 chart），先逐頁做。Palette 將呢個流程拆成兩個角色，由同一個 LoRA adapter（低秩適應）提供：
- Designer：讀計劃，寫出結構化 JSON brief，包括配色、字體系統、每頁版面、內容同設計理據。
- Coder：讀每頁嘅 spec，寫 pptxgenjs JavaScript 畫出該頁。
因為每頁 context 已固定，coding stage 可以並行，編碼段快咗約 6–7 倍。中間嘅 JSON brief 人可以改，改一頁版面唔使重做整份。
效果點樣？
訓練數據跟 IBM Design Language。喺 PresentBench 三個評測域，Palette 喺兩科排第一。
模姐驗嚇貨
呢個做法最實際嘅好處係「可編輯」：中間嗰份 brief 係人讀得、改嘅，唔係黑箱。你改一頁版面，唔使全部重跑。呢個比「一次生成」透明好多。LoRA 只改部分參數，唔郁 base model，實驗成本低。但注意呢度用嘅係 IBM 自家 Design Language 嘅合成數據，用喺自己公司嘅，唔代表你直接用佢嘅權重就能出得嚟你自己嘅品牌簡報。
模姐｜深度調教
