Kleine offene Modelle zum Erstellen von markenkonformen Präsentationen trainieren

Hugging Face hat Palette vorgestellt, ein System, das kleinen Sprachmodellen mit offenen Gewichten ermöglicht, Folienpräsentationen zu erstellen, die spezifischen Designsprachen entsprechen. Die am 3. November 2026 veröffentlichte Methode adressiert die Einschränkungen großer Frontier-Modelle, die oft einen generischen Hausstil aufzwingen und Vertraulichkeitsrisiken bergen können. Durch das Fine-Tuning eines Modells mit 20 Milliarden Parametern unter Verwendung synthetischer Daten und eines robusten Verifikations-Harness erzielte das Team Spitzenleistungen bei Benchmarks für strukturierte Inhalte, während es gleichzeitig die volle Kontrolle über die Infrastruktur und die Ausgabe behielt.

Was passiert ist

Frontier-Sprachmodelle sind in der Lage, hochwertige Folienpräsentationen zu generieren, konvergieren jedoch unabhängig vom Prompting oft zu einer ähnlichen Ästhetik. Dieser „KI-generierte“ Look erschwert es Organisationen, ihre eigenen Brand-Guidelines oder Templates durchzusetzen. Darüber hinaus wirft die Nutzung geschlossener Modelle für sensible Unternehmensdaten Bedenken hinsichtlich des Datenschutzes auf. Kleine Modelle mit offenen Gewichten bieten eine Lösung für Eigentumsrechte und Anpassbarkeit, hatten historisch jedoch Schwierigkeiten mit der geometrischen Präzision, die für das Layout-Design erforderlich ist, und produzierten häufig fehlerhafte Folien mit überlappendem Text oder fehlenden Elementen.

Palette testet die Hypothese, dass ein kleines Modell mit größeren Systemen konkurrieren kann, wenn es korrekt trainiert wird. Das Team fine-tunte ein Modell mit 20 Milliarden Parametern unter Verwendung der IBM Design Language als Zielstil. Das resultierende System trennt den Generierungsprozess in zwei unterschiedliche Rollen: einen Designer, der Inhalt und Struktur plant, und einen Coder, der den JavaScript-Code zur Darstellung jeder Folie schreibt. In der PresentBench-Evaluierungssuite belegte Palette im Bereich Wirtschaft und Bildung den ersten Platz und insgesamt den zweiten Platz unter den getesteten Systemen. Dies demonstriert, dass spezialisiertes Training die inhärenten Grenzen kleinerer Architekturen überwinden kann.

Das Projekt hebt einen Wandel hervor: weg von der alleinigen Abhängigkeit von der Modellgröße hin zur Verbesserung der Datenqualität und der Inferenz-Sicherheitsvorkehrungen. Durch die Generierung synthetischer Trainingsdaten, die die Begründung hinter Designentscheidungen einschließen, sowie die Implementierung eines Check-and-Repair-Harness schuf das Team ein System, das zuverlässige, markenkonforme Ausgaben erzeugt. Diese Methode ermöglicht es Organisationen, das Modell auf ihrer eigenen Hardware auszuführen, sodass vertrauliche Daten niemals ihre sichere Umgebung verlassen.

Wie es funktioniert

Palette imitiert den menschlichen Workflow bei der Erstellung von Präsentationen, indem es redaktionelles Urteilsvermögen von geometrischer Ausführung trennt. Ein einzelner LoRA-Adapter verwaltet zwei Rollen. Die Designer-Rolle liest den Eingabeplan und erstellt eine strukturierte JSON-Briefing-Datei, die Farbpalette, Typografie und Inhalt für jede Folie enthält. Die Coder-Rolle nimmt anschließend individuelle Spezifikationen für einzelne Folien aus diesem Briefing und schreibt pptxgenjs-JavaScript-Code, um diese darzustellen. Diese Trennung ermöglicht es dem Coder, sich ausschließlich auf die Layout-Arithmetik zu konzentrieren, wie die Berechnung von Schriftgrößen und Koordinaten, während der Designer für den narrativen Fluss zuständig ist. Da jede Folie unabhängig voneinander generiert wird, kann die Coding-Phase parallel ausgeführt werden, was die Produktionsgeschwindigkeit um das Sechs- bis Siebenfache erhöht.

Da kein öffentliches Dataset existiert, das Designbegründungen mit Foliencode verknüpft, synthetisierte das Team etwa 1.000 Decksets bestehend aus 10.000 Folien unter Verwendung eines großen offenen Lehrermodells. Entscheidend ist, dass jedes Trainingsbeispiel kontrafaktische Überlegungen enthält, die erklären, warum bestimmte Designentscheidungen getroffen und andere abgelehnt wurden. Beispielsweise könnte das Datenmaterial erklären, dass ein Balkendiagramm gegenüber einer Tabelle gewählt wurde, um einen Trend hervorzuheben, anstatt exakte Zahlen darzustellen. Dies lehrt das Modell die Regeln hinter Designentscheidungen, nicht nur das Endergebnis. Die synthetischen Daten wurden weiter verfeinert, indem jede Folie gerendert und ein Geometrie-Checker verwendet wurde, um Fehler wie Textüberläufe zu identifizieren und zu beheben, wodurch Misserfolge in hochwertige Trainingsbeispiele umgewandelt wurden.

Um die Zuverlässigkeit zur Inferenzzeit sicherzustellen, setzt Palette einen Harness ein, der jedes generierte Deckset validiert. Einfache Regeln beheben Formatierungsfehler, während ein Geometrie-Checker visuelle Probleme wie überlappende Elemente identifiziert. Wenn eine Folie die Validierung nicht besteht, versucht ein separates Editor-Modell, den Code neu zu schreiben. Die neue Version wird nur dann akzeptiert, wenn der Checker eine Verbesserung bestätigt, sodass der Reparaturprozess die Ausgabe nicht verschlechtern kann. Dieses Sicherheitsnetz ermöglicht es dem System, häufige Fehler kleiner Modelle, wie z. B. Titel, die in den Hintergrund übergehen, ohne menschliches Eingreifen zu korrigieren.

Wichtige Details

• Das System nutzt ein offenes Gewichtsmodell mit 20 Milliarden Parametern, das mit LoRA-Adaptern fine-getunt wurde, um die Fähigkeiten des Basismodells zu erhalten.
• Die Trainingsdaten enthalten rund 1.000 synthetische Decksets mit kontrafaktischen Überlegungen, die Designentscheidungen und Ablehnungen erklären.
• Eine parallele Coding-Architektur ermöglicht die gleichzeitige Generierung einzelner Folien, was die Geschwindigkeit um das 6–7-fache verbessert.
• Der Inferenz-Harness prüft auf geometrische Fehler wie Textüberlappungen und akzeptiert nur Reparaturen, die die Folie messbar verbessern.
• Palette belegte auf PresentBench im Bereich Wirtschaft und Bildung den ersten Platz und erreichte insgesamt den zweiten Platz mit einem Durchschnittswert von 59,7.
• Benutzer können spezifische Designergebnisse steuern, indem sie Direktiven verwenden, die in [[ ]] eingeschlossen sind, wie z. B. [[make this a timeline]].

Warum es wichtig ist

Für Engineering-Teams, die interne Tools oder kundenseitige Anwendungen entwickeln, bietet Palette einen Weg zu anpassbarer KI ohne die Kosten und Risiken proprietärer APIs. Die Fähigkeit, ein kompetentes Designmodell auf lokaler Infrastruktur auszuführen, bedeutet, dass sensible Geschäftsdaten innerhalb der Corporate Firewalls bleiben. Dies ist für Branchen mit strengen Compliance-Anforderungen entscheidend, bei denen das Senden von Dokumenten an Server Dritter verboten ist. Zusätzlich ermöglicht die modulare Natur der Ausgabe, getrennt in ein JSON-Briefing und Rendering-Code, Entwicklern, programmatisch einzugreifen oder spezifische Folien manuell anzupassen, ohne das gesamte Deckset neu zu generieren.

Die Methodologie liefert auch einen Bauplan für andere Aufgaben der strukturierten Generierung jenseits von Präsentationen. Die Kombination aus synthetischen Daten mit expliziten Begründungsspuren und einem Verifikations-Harness kann auf die Generierung von UI-Layouts, Diagrammen oder Grafiken angewendet werden. Indem Entwickler verifizierbare Korrektheit vor roher generativer Flüssigkeit priorisieren, können sie zuverlässigere Agenten bauen. Die Erkenntnis, dass Referenzbeispiele Lehrermodelle stärker beeinflussen als Prompt-Regeln, legt nahe, dass die Kuratierung hochwertiger Few-Shot-Beispiele für bestimmte Aufgaben effektiver ist als komplexes Instruction Tuning.

Was Sie tun können

• Implementieren Sie einen Verifikations-Harness für jede generative Aufgabe, bei der die Ausgabestruktur programmatisch überprüft werden kann, wie z. B. gültiges JSON oder nicht überlappende UI-Elemente.
• Generieren Sie synthetische Trainingsdaten, die kontrafaktische Überlegungen enthalten, um Modellen die Logik hinter Entscheidungen beizubringen, nicht nur die Ergebnisse.
• Trennen Sie komplexe Generierungsaufgaben in unterschiedliche Rollen, wie Planung und Ausführung, um parallele Verarbeitung und spezialisiertes Fine-Tuning zu ermöglichen.
• Verwenden Sie Referenzbeispiele in Prompts, um Lehrermodelle während der Datensynthese zu steuern, da sie Mustern oft zuverlässiger folgen als abstrakten Regeln.
• Nutzen Sie eine Safe-Repair-Strategie, bei der automatische Korrekturen nur angewendet werden, wenn ein Validator bestätigt, dass sich die Ausgabe verbessert hat, um Degradation zu verhindern.
• Erforschen Sie leichte Template-Anpassungen, indem Sie Ausgaben aus vorhandenen Dateien neu gestalten (Re-skinning), anstatt Modelle für jede neue Brand Guideline neu zu trainieren.