Ang Beijing University of Posts and Telecommunications, Tsinghua University, at Shanghai Jiao Tong University ay nag-develop ng sistema na MemSlides upang lutasin ang mga hamon sa personalisasyon at maraming pagbabagong bersyon sa AI-generated PPT. Sa unang pagbuo, agad na hinahanap ng sistema ang user profile memory at ginagamit ang mga preferensya ng user upang malikhain ang pag-organisa at paraan ng pagpapahayag ng bawat pahina. Kasama rin dito ang paggamit ng working memory upang panatilihin ang pansamantalang mga limitasyon sa kasalukuyang gawain, upang siguraduhing patuloy na epektibo ang mga preferensya na may pagkakatigil. Sa pamamagitan ng proseso na Plan-Act-Guard, natutugunan ang mga tiyak na pagbabago sa lokal na antas, na nag-iwas sa pagkalat ng mga pagbabago sa buong dokumento. Ang mga eksperimento ay nagpakita na ang tool memory ay nagpataas ng rate ng pagkakatipon ng pag-edit sa 2.27 beses, at binawasan ang pangunahing tool time sa 0.327 beses. Nakamit ng sistema ang unang pwesto bilang Hugging Face Daily Papers Paper of the Day, at nakakuha ng 400+ stars sa GitHub. Ang pananaliksik na ito ay may halagang pang-referensya para sa pagmamana ng memorya ng mga agent sa mahabang panahong gawain.May-akda ng artikulo, pinagkunan: XinZhiYuan
Ang pinakamalungkot na sandali ay kadalasan ay hindi ang pagkabigo ng AI sa pagbuo ng PPT.
Kundi ito ay mayroon nang isang magandang set ng slides, ngunit sinabi mo lang: "Gawin pang mas tulad ng flowchart ang kanang ibabang bahagi ng pahina 8."
Sa susunod na segundo, maaaring nagbago na ang pahina 8, ngunit nagbago ang antas ng pamagat sa pahina 3, at nagmali ang kulay sa pahina 12, na sinira ang dating maayos na istilo.
Ito ang mas karaniwang pagsubok sa tunay na workflow ng PPT.
Ang unang bersyon ay only draft, ang pagbabago ang pangunahing larangan.
Mula sa “mag-generate ng isang set” hanggang sa “mag-generate na parang user na ito”
Sa mga nakaraang taon, malaki ang pag-unlad sa automatic slide generation. Maraming sistema na ang nakakagawa ng mga draft na may sapat na istruktura at hindi masyadong mahina sa anyo, mula sa mga papel, pagsasalaysay ng produkto, o isang pahayag na paksa.
Ngunit sa tunay na paggamit, ang pangunahing punto ng unang bersyon ng slides ay hindi lamang kung "nabuo na ba ito", kundi kung ito ay naging malapit na sa pagpapahayag ng isang user.
Ang iisang papel ng Transformer ay maaaring ipaliwanag bilang isang pangunahing aralin, o maayos bilang isang ulat sa group meeting, pagbabasa ng papel, o teknikal na pagsasanay. Iba-iba ang mga panig, densidad ng nilalaman, hangganan ng ebidensya, at paraan ng pagpapalawak ng mekanismo na iniisip ng iba’t ibang gumagamit. May ilan na nais muna makita ang mga konklusyon at mga takeaways, habang may iba naman na nais linawin ang mga depinisyon, mekanismo, at mga kondisyon sa hangganan.
Ito ang eksaktong papel ng pagtala ng larawan ng gumagamit sa yugto ng round-0.
Nilikha ng Beijing University of Posts and Telecommunications, Tsinghua University, at Shanghai Jiao Tong University ang MemSlides; hindi ito naghihintay ng maraming pagbabago ng user bago magsimula na “matandaan,” kundi sa unang pag-generate nito, sinusuri agad ang user profile batay sa kasalukuyang intensyon ng task, at pinapadala ang mga kaparehong pangmatagalang preferensya sa kasalukuyang working memory upang impluwensyahan ang pag-organisa at paraan ng pagpapahayag.
Link ng papel: https://arxiv.org/abs/2606.17162
Pahina ng proyekto: https://memslides.github.io/
Link sa demo: https://memslides.com/
Link ng code: https://github.com/huohua325/Memslides
HF link: https://huggingface.co/papers/2606.17162
Itinampok ito bilang Paper of the Day sa Hugging Face Daily Papers, at nakakuha na ng higit sa 400+ stars sa GitHub; matapos ang paglalabas ng demo website, nakakuha na rin ito ng higit sa 100+ verified users na nagsubok.
Hindi nagpapakita ang Figure 1 ng isang pangkalahatang "rendered effect." Mas tila ito ay nagpapaliwanag kung paano binubuo ng sistema ang mga materyales ng papel sa mga pahina tungkol sa mga depinisyon, pangunahing mekanismo, ebidensya mula sa eksperimento, karaniwang kamalian, at mga kondisyon sa hangganan. Ang mga pagpili na ito ay tumutugon sa mga pagkakaiba-iba sa user profile tungkol sa istruktura ng nilalaman, density ng impormasyon, at pagkakaroon ng pagkakabase sa ebidensya.
Figure 1: Ang unang pagbuo ay nagpapakita hindi lamang ng kahusayan, kundi pati na rin ng epekto ng pagtala sa user profile sa pag-organisa ng pahina, density ng nilalaman, at hangganan ng ebidensya.
Ang proyekto ay nag-aalok din ng online demo. Maaaring i-upload ng mga user ang mga materyales, piliin ang memory profile o template, makagawa ng unang draft, at magpatuloy sa revision upang i-download ang kasalukuyang bersyon ng PPTX, HTML, o PDF.
Ibig sabihin nito, ang MemSlides ay nakatuon sa buong proseso mula sa personalisadong draft hanggang sa patuloy na pag-edit.
At ngayon na nagsimula na ang unang bersyon na maging malapit sa mga user, mas malalim na ang mga tanong: Maaari ba ng sistema na panatilihin ang mga pagpili na ito sa higit sa isang serye ng pagbabago? Mawawala ba ang mga kahilingan na isinampa sa kasalukuyang sesyon pagkatapos ng ilang round? Maaari ba ng sistema na iwasan ang pagkabasag ng mga naka-align na pahina kapag ang user ay nais lamang baguhin ang isang lokal na rehiyon?
Ibahagi ang pagtatala
Marami sa mga tao ay agad na isipin na ilagay ang mga nakaraang usapan sa mas mahabang konteksto kapag marinig nila ang «Agent memory».
Hindi ginawa ng MemSlides iyon.
Ang dahilan ay simple: mas matagal ang kasaysayan, mas marami ang mga konflikto. Kapag sinabi ng user ngayon na «gumamit ng blue title sa report na ito», hindi ibig sabihin na lahat ng kanyang PPT ay dapat may blue title; ang error sa tool na nakita ng user sa isang pag-edit ay hindi dapat ihalo sa «ano ang kanyang ginustong istilo».
Kaya ang MemSlides ay isinasaad ang paggawa ng personalisadong slide presentation bilang isang may estado na proseso ng paggawa: una ang sistema ay gumagawa ng unang draft ng round-0 batay sa source material, user profile memory, at opsyonal na template; pagkatapos, bawat round ng feedback ay i-update ang kasalukuyang session state, at pagkatapos ay gawin ang lokal na pag-edit sa kasalukuyang deck.
May dalawang pananaw sa organisasyon ng memorya nito.
Sa pananaw ng buhay na cycle, mayroong matagal na memorya at trabaho na memorya. Ang matagal na memorya ay naglalaman ng mga impormasyon na patuloy na umiiral sa pagitan ng mga gawain, habang ang trabaho na memorya ay naglalaman ng pansamantalang pagtatakda, pagbabago sa layunin, at estado ng pagsasagawa na patuloy na epektibo sa kasalukuyang deck.
Mula sa pananaw ng function role, mayroon tayong memorya ng user profile at memorya ng tool. Ang unang isa ay sumasagot sa “Ano ang mga preferensya na dapat ipakita ng set na ito ng slides?”, habang ang pangalawa ay sumasagot sa “Paano dapat baguhin ang Agent para maging mas matatag?”
Sa madaling salita, ang MemSlides ay hindi nagpaparami ng mga walang kwentang impormasyon na dapat tandaan ng Agent, kundi nagtuturo sa kanya kung alin sa mga impormasyon ang dapat panatilihin nang matagal, kung alin ay tanging epekto sa kasalukuyang gawain, kung alin ay preferensya ng user, at kung alin ay karanasan sa mga kasangkapan.
Figure 2: Nilalagay ng MemSlides ang pangmatagalang memorya, trabaho memorya, memorya ng user profile, at memorya ng tool sa iisang multi-round revision process.
User profile
Ang totoong personalisasyon, karaniwan ay hindi maaaring lutasin ng isang simpleng role prompt.
Sa parehong akademikong ulat, may mga tao na gustong ilagay ang isang pangunahing konklusyon sa bawat pahina, habang may iba naman na pinapanatili ang mga pormula at detalye ng eksperimento; sa parehong business pitch, may mga tao na prefer ang malalaking talahanayan, habang may iba naman na mas umaasa sa mga graph ng trend at komparatibong graph.
Hindi ito mga label sa isang prompt, kundi mga karaniwang gawi na ipinakita ng user sa pagkakasulat at pagpapabuti nito sa mahabang panahon.
Ang MemSlides ay nagtataglay ng mga pagkakakilanlan ng user upang i-save ang ganitong uri ng pagkakasunod-sunod sa iba't ibang gawain. Hindi ito isinasalaysay ang buong profile sa harap ng prompt, kundi kinukuha nito ang mga kagustuhan na may kinalaman batay sa kasalukuyang intensyon nang magsimula ang gawain, at pagkatapos ay isinasangkot ito sa kasalukuyang hiling.
Kung ang pangmatagalang pagkakaintindi at ang kasalukuyang malinaw na utos ay kompatibulo, sila ay magkakasama sa working memory; kung may kontrabansa, ang malinaw na hiling sa kasalukuyang set ng slides ang mas una.
Mahalaga ang hakbang na ito. Kung hindi, madaling akalain ng sistema na ang «pang-tempo mong pagkakagusto sa blue title» ay «palaging pagkakagusto ng user sa blue title».
Pagkatapos ng task, hindi iiwan ng MemSlides ang bawat feedback sa pangmatagalang profile. Ipinapahintulot lamang nito ang mga matatag at maipapasa na interaksyonal na signal upang gawing mas malapit sa user ang susunod na pagbuo, hindi mas magulo.
Figure 3: Ang user profile memory ay magdadaan sa paghahanap, routing, paggamit sa kasalukuyang gawain, at pagpapahinga ng stabilizing signal pagkatapos ng gawain.
Working memory
Sa maraming pagbabagong bersyon, mayroon pa ring isang uri ng impormasyon na mas subtil.
Hindi ito pangmatagalang pagpili, ngunit kailangang patuloy na magiging epektibo sa kasalukuyang deck.
Halimbawa, sa ikalawang round, sinabi ng user: “Kung may dagdag na summary/tip box sa susunod, gamitin ang light gray background.” Noong panahong iyon, wala pa ang sistema sa ganitong uri ng elemento, kaya hindi agad isinagawa ang hiling na ito. Pagkatapos ng ilang round, kung hingi ang user ng pagsisilip na may summary box, dapat aktibuhin ang patakaran na ito.
Kung tanging ang kasalukuyang input ang binabasa ng Agent, madaling kalimutan ang mga katayuan na may pagkakatigil na epekto.
Ang working memory ng MemSlides ay ang state board ng kasalukuyang gawain sa pagsusulat: ang active temporary preferences, carryover instructions, resolved targets, at coverage status ay lahat dito nakaputol. Ang Plan stage ay binabasa ang mga estado na ito upang matukoy ang saklaw ng pagbabago, ang Act stage ay nagpapatupad ng limitadong pag-edit batay dito, at ang Guard stage ay nag-update at nag-check ng mga resulta.
Hindi na ito mga hiwalay na prompt sa bawat pagbabago, kundi isang patuloy na proseso ng pag-edit na nakatuon sa iisang set ng slides.
Figure 4: Ang working memory ay nagpapatuloy sa pagpapalakas ng pansamantalang pagkakaintindi sa mga estilo na inilahad na dati at na-trigger lamang pagkatapos.
Kunin lang ang kailangang pagbabago
Para sa mga human editor, ang "baguhin lang ito" ay isang natural na pangungusap.
Para sa isang generative system, mahirap ang pangungusap na ito.
Dahil sa maraming sistema na bumabasa muli o sumusulat uli ng malalaking bahagi habang inaayos ang feedback, ang target na lugar ay maaaring tama na, ngunit ang mga pahina na hindi layunin ay maaaring magbago rin. Ang user ay tila nagbigay ng isang maliit na hiling, ngunit ang sistema ay bumagsak ng buong estado ng PPT.
Ginagamit ng MemSlides ang scoped slide-local revision upang limitahan ang problema na ito.
Bawat feedback ay unang mapapalitan sa pinakamaliit na epektibong lugar ng pagbabago, pagkatapos ay papasok sa proseso ng Plan-Act-Guard.
Sa phase ng Plan, i-convert ang natural language request sa execution contract, at tukuyin ang target slide, sakop, selector hints, at mga kinakailangang sakop.
Sa fase ng Act, piliin ang tool para sa pag-edit batay sa istruktura ng pahina at isagawa ang pinakamaliit na epektibong aksyon sa loob ng limitadong saklaw. Sa fase ng Guard, gawing isang estado na kailangang i-check ang “nagawa”: huwag masyadong mag-finalize kung hindi pa nakakapalipat ang layunin, kailangang i-rebind ang snapshot kung ito ay nabigo, at huwag palawakin ang lokal na hiling sa pagsusulat ng buong deck.
Ang hakbang na ito ay nagpapalit sa "iniisip ng modelo na natapos na ito" sa "makakapag-check ang sistema kung ang pagbabagong ito ay talagang nakakapag-覆盖 ang layunin, o kung nagsagawa ito ng paglabas sa hangganan."
Figure 5: Ang Plan-Act-Guard ay hinahati ang lokal na pagbabago sa pagpaplano ng saklaw, kontroladong pagsasagawa, at pagsusuri ng resulta.
Tool memory
Hindi ang pag-edit ng slides isang pagsusulat ng teksto na may pagbabago.
Maaaring magkakaroon ng lokal na pagbabago sa istruktura ng pahina, mga selector, mga patakaran sa estilo, snapshot ng layout, at lohika ng pag-verify. Kahit na maintindihan ng Agent kung ano ang nais ng user, maaari pa ring maliin ang rehiyon sa pagtawag ng tool, paulit-ulit na subukan at mali, palawakin ang sakop ng pagbabago, o matapos nang maaga bago makakamit ang layunin.
Kaya, ang MemSlides ay nagdagdag din ng tool memory.
Hindi nagtatala ang tool memory kung ano ang gusto ng user, kundi nagtatala kung ano ang epektibong path sa mga katulad na editing task at ano ang mga error na dapat iwasan.
Nakakabit ang papel ito sa dalawang antas ng granularity: ang round-scope task experience ay nag-uugnay ng karanasan, pagkakamali, at mga mapapalipat na pattern mula sa isang round ng pagbabago; samantala, ang operation-scope tool-chain experience ay naglalaman ng mas detalyadong mga fragment ng reasoning-tool-observation na kinukuha bilang referensya bago ang mga katulad na pagtawag sa kasangkapan.
Naghihiwalay ang disenyo na ito sa layunin at pagpapatupad.
Ang user profile ang nagdedesisyon kung saan dapat direkta ang mga slides, habang ang tool memory ay nagpapabilis sa Agent sa pag-iwas sa mga maling landas, pagbawas ng hindi epektibong pagpapalawak at pagkakaroon ng kakaibang pagkilos.
Figure 6: Ang tool memory ay nakatuon sa mga karanasan sa paggamit ng tool, hindi sa mga preferensya sa estetika ng user.
Mga resulta ng eksperimento
Ang pagtataya ng MemSlides ay hindi nagbibigay ng isang pangkalahatang score, kundi hinati ang iba’t ibang komponente ng memorya upang masuri ang bawat kakayahan: ang memorya ng user profile ay tumutugon sa round-0 persona alignment, ang working memory ay tumutugon sa delayed preference carryover sa mga maraming round ng usapan, at ang tool memory ay sinusuri nang hiwalay sa diagnostic matched-pair modify setting.
Sa personalisadong pagbuo, ang pagtala sa user profile ay nagpabuti sa persona alignment sa mga setting na may maraming persona at maraming intent. Dagdag pa ng papel, ang pagpapabuti ay hindi lamang nakikita sa “pagiging mas katulad ng isang template” kundi pati na rin sa mga pagpili sa antas ng pagpaplano tulad ng pagkakaroon ng mga pangunahing punto, papel sa pahina, pag-organisa ng ebidensya, at pagkakaiba ng persona.
Sa lokal na pagbabago ng pagkakatugma, ang pagbabago mula sa tala ng kasangkapan ay mas direkta:
Samantala, bumaba ang ratio ng oras ng core tool sa 0.327x.
Mahalagang tandaan na ang mga numero na ito ay galing sa diagnostic matched-pair modify setting at hindi dapat iinterpretahin bilang isang monotonic lead sa lahat ng mga skenaryo. Mas tumpak na sabihin, suportahan nito ang isang proseswal na konklusyon: kapag binibigay ng tool memory ang mga muling gamitin na karanasan sa pagpapatupad, mas madaling makakamit ng Agent ang convergence sa pagkumpleto ng closed-loop, pagsusuri nang mahigpit, at paghahanap ng unang tamang path ng pag-edit.
Figure 7: Ang lokal na pag-edit na pagkukumpara ay isang kwalitatibong kaso sa papel na ginagamit upang ipakita ang pagkakaiba sa proseso ng pag-edit bago at pagkatapos ng pagpapalit ng talaan.
Susunod na hakbang ng PPT Agent
Long-term collaboration
Ang MemSlides ay tumatalakay sa PPT, ngunit ang problema sa likod nito ay hindi lamang nakatuon sa PPT.
Kapag pumasok ang Agent sa mga mahabang gawain tulad ng paggawa ng dokumento, pagbabago ng code, pag-analisa ng data, at mga sistema ng kaalaman ng kumpanya, tatagpuan nila ang mga katulad na hamon: alin sa mga impormasyon ang dapat panatilihin nang matagal, alin sa mga estado ang nagkakaroon lamang ng kahulugan sa kasalukuyang gawain, alin sa mga karanasan sa pagpapatupad ang maaaring gamitin muli, at alin sa mga nilalaman ang dapat panatilihin nang hindi nagbabago habang ginagawa ang lokal na pagbabago.
Kung ang one-click generation ay tumutugon sa paglipat mula sa 0 hanggang 1, ang maraming pagpapabuti ay tumitingin sa paglipat mula sa 1 hanggang sa magamit.
Ang hinaharap na Slides Agent, hindi lang magkakaroon ng kakayahang lumikha ng mas magandang unang slide, kundi magkakaroon din ng kakayahang tuloy-tuloy na maintindihan ang user habang binabago ang draft, panatilihing maayos ang mga hangganan ng pag-edit, at gawing mas malapit ang isang set ng slides sa totoong nais na bersyon ng user.