A IBM Research publicou um modelo de inteligência artificial chamado Palette, treinado para montar apresentações de slides seguindo o padrão visual de quem o usa. Segundo a empresa, em comunicado publicado no Hugging Face, o modelo tem 20 bilhões de parâmetros — uma fração do tamanho dos modelos de ponta usados por assistentes como o ChatGPT ou o Gemini.

A motivação, segundo a IBM Research, é um problema prático de quem usa modelos de ponta para gerar apresentações: o resultado costuma sair bom, mas com a "cara" do próprio modelo — a mesma paleta de cores e o mesmo estilo em qualquer pedido, difícil de encaixar na identidade visual de uma empresa específica. Há ainda um segundo obstáculo: conteúdo confidencial não pode sair dos sistemas internos da empresa para ser processado por um modelo de terceiros hospedado na nuvem.

A alternativa é um modelo pequeno o bastante para rodar na própria infraestrutura da empresa (self-host). O problema, afirma a IBM Research, é que esses modelos pequenos costumavam produzir slides quebrados: título que some no fundo da imagem, texto que estoura os limites do slide e formas sobrepostas.

Dois papéis dentro do mesmo modelo

A IBM Research dividiu a tarefa em duas funções, executadas por um único adaptador LoRA (uma técnica de ajuste fino que ensina uma nova habilidade a um modelo já treinado, sem alterar o que ele já sabe). Um papel, chamado "designer", decide o conteúdo de cada slide — quantos entram, o que cada um mostra, se um dado vira gráfico ou tabela. O outro, chamado "coder", escreve o código que posiciona cada elemento na tela: a coordenada exata, a largura e o tamanho da fonte.

Segundo a empresa, separar as duas funções trouxe um efeito colateral útil: como o conteúdo de cada slide fica definido antes de qualquer código ser escrito, as chamadas do "coder" podem rodar em paralelo, uma por slide. Isso deixou a etapa de geração de código entre 6 e 7 vezes mais rápida.

A IBM Research optou pelo ajuste fino com LoRA em vez de retreinar o modelo inteiro porque a técnica ensina um formato e uma habilidade nova sem perturbar o que o modelo de base já sabe, além de deixar cada experimento mais barato. Um ajuste precisou ser feito no treino: os exemplos do "coder" são cerca de 5 vezes mais longos que os do "designer", o que inicialmente deixava esse segundo papel mal treinado — a equipe corrigiu repetindo os exemplos do "designer" 5 vezes.

Dados sintéticos para um problema sem dados reais

Não existe um banco público de dados com o raciocínio por trás de apresentações prontas, segundo a IBM Research. Por isso, a equipe gerou seus próprios dados com um modelo professor de código aberto maior: cerca de mil apresentações, somando aproximadamente 10 mil slides. Cada exemplo de treino carrega também o raciocínio por trás da decisão, escrito como um contraponto — por que uma alternativa foi descartada —, para que o modelo aprenda a regra, não só a escolha final.

Cada apresentação sintética passou por um verificador automático que renderiza o slide e aponta sobreposições ou textos cortados — o mesmo verificador usado quando o modelo já treinado está em uso. Slides com problema eram corrigidos, e o raciocínio era reescrito para explicar o que deu errado e por quê.

O problema mais difícil, segundo a IBM Research, foi evitar que o modelo inventasse dados: a pior falha é um slide com informação que não estava no material de entrada. A equipe afirma que regras escritas no comando não resolveram isso — o que funcionou foi incluir exemplos de apresentações de referência no material usado para treinar o modelo professor.

Resultado no PresentBench e controle fino

No PresentBench, benchmark usado para medir a qualidade de apresentações geradas por IA, a IBM Research afirma que o Palette ficou em primeiro lugar em dois dos três domínios avaliados.

O modelo também aceita instruções específicas, chamadas de "diretivas" — comandos curtos escritos dentro do plano da apresentação, entre colchetes duplos, para pedir um gráfico no lugar de uma tabela, uma cor específica ou uma capa mais escura. Segundo a empresa, o modelo aprendeu a seguir esse tipo de instrução porque os dados de treino incluíram diretivas de 12 categorias diferentes, cada uma formulada de várias formas.

Na prática

  • O que é: modelo de 20 bilhões de parâmetros, ajustado com a técnica LoRA, treinado para criar apresentações no estilo visual de quem o usa.
  • Como funciona: um papel decide o conteúdo e a estrutura da apresentação, e outro desenha cada slide — posição, tamanho e fonte de cada elemento.
  • Desempenho: segundo a IBM Research, o modelo ficou em primeiro lugar em dois dos três domínios do benchmark PresentBench.
  • Velocidade: a geração de código roda em paralelo, slide por slide, o que deixou essa etapa de 6 a 7 vezes mais rápida.
  • Dados de treino: cerca de mil apresentações e 10 mil slides, gerados de forma sintética pela própria equipe.
  • Controle fino: é possível pedir ajustes específicos de design — como um gráfico no lugar de uma tabela — por meio de instruções curtas dentro do plano da apresentação.