调色板：教小模型用你的设计语言构建演示文稿

企业级AI应用正在出现一个容易被忽视的分岔口：通用大模型能做出漂亮的幻灯片，但十份之后就开始千篇一律，带着一股“AI生成”的味道；更要命的是，涉及机密内容时，数据根本不能离开企业自己的系统。IBM研究院团队在HuggingFace博客上公布的Palette项目，正是冲着这个矛盾去的——用一个20B参数的小型开源模型，学会企业自己的设计语言，在自有基础设施上生成符合品牌规范的演示文稿。 Palette的思路是把做幻灯片这件事拆成人类设计师真实的工作流程：先由“设计师”角色读取需求，输出一份结构化JSON简报，规定配色、字体系统以及每页的布局、具体内容和设计理由；再由“编码师”角色逐页把规格翻译成pptxgenjs的JavaScript绘图代码。两个角色共用一个LoRA适配器，训练数据遵循IBM设计语言。这样做的好处很实际：简报是可读可改的，改一页布局不需要重新生成整套幻灯片；而且每页的上下文在写代码前就已固定，编码阶段可以并行执行，速度提升约6到7倍。 小模型做幻灯片之所以难，核心在于三件事它都不擅长。一是“盲画”——模型看不到自己排的版面，只能靠心算判断75个字符的标题在56磅字号下能否塞进两行，错了要等代码渲染完才知道，于是出现文字溢出、图形重叠；二是同时做两类决策——每页说什么、用什么图表是编辑判断，精确摆放是几何计算，单次生成要在一二十页里兼顾两者并保持风格统一；三是缺乏过程数据——网上有大量成品幻灯片，却没有设计取舍的理由和生成它们的代码。Palette用合成数据补上了这一环，训练中还发现编码样本长度约为设计样本的5倍，朴素混采会导致设计师角色训练不足，最终对设计样本做了5倍过采样才解决。在PresentBench基准上，这个20B模型在三个测评领域中的两个排名第一。对跨境电商卖家而言，这意味着品牌视觉规范可以沉淀进一个可自托管的模型里，而不必每次向外部API描述一遍“我要什么风格”。