बीजिंग यूनिवर्सिटी ऑफ पोस्ट्स एंड टेलीकम्युनिकेशन, त्सिंगहुआ यूनिवर्सिटी और शंघाई जियाओटोंग यूनिवर्सिटी ने मेमस्लाइड्स सिस्टम का विकास किया है, जो AI द्वारा बनाए गए पीपीटी में व्यक्तिगतकरण और बहु-चरण संशोधन की समस्याओं को हल करता है। यह सिस्टम पहले संस्करण के समय ही उपयोगकर्ता प्रोफाइल की स्मृति को पुनः प्राप्त करता है और उपयोगकर्ता की पसंद के आधार पर पृष्ठ संगठन और अभिव्यक्ति शैली को प्रभावित करता है। साथ ही, यह समयांतर में लागू होने वाली प्राथमिकताओं को सुनिश्चित करने के लिए कार्य स्मृति का उपयोग करता है। Plan-Act-Guard प्रक्रिया के माध्यम से, यह स्थानीय सटीक संशोधन प्रदान करता है ताकि परिवर्तन पूरे दस्तावेज़ में फैलें नहीं। प्रयोगों से पता चला है कि टूल स्मृति के कारण संपादन अभिसरण दर 2.27 गुना बढ़ गई है और मुख्य टूल समय 0.327 गुना घट गया है। यह प्रणाली Hugging Face Daily Papers के Paper of the Day पर शीर्ष स्थान पर पहुँची है, और GitHub पर 400+ स्टार्स प्राप्त हुए हैं। यह शोध Agent के लंबे समय तक के कार्यों में स्मृति प्रबंधन के लिए महत्वपूर्ण है।लेखक, स्रोत: न्यूज़िज़यन
सबसे अजीब पल अक्सर AI PPT जनरेट करने में विफलता नहीं होती।
बल्कि यह स्पष्ट रूप से एक काफी अच्छी स्लाइड्स की एक श्रृंखला बना चुका है, और आप केवल कहते हैं: "दाएं नीचे कोने के उस हिस्से को प्रक्रिया आरेख के अधिक समान बनाएं।"
अगले सेकंड में, अगले पेज पर वास्तव में बदलाव हो सकता है, लेकिन तीसरे पेज पर शीर्षक स्तर बदल गया है, बारहवें पेज पर रंग विस्थापित हो गए हैं, और पहले बार-बार समायोजित किए गए स्टाइल को फिर से बिखेर दिया गया है।
यही वास्तविक PPT वर्कफ्लो में अधिक सामान्य चुनौतियाँ हैं।
पहला संस्करण केवल एक खाका है, संशोधित संस्करण ही मुख्य क्षेत्र है।
"Generate a set" से "Generate like this user"
पिछले कुछ वर्षों में स्वचालित स्लाइड जनरेशन में बड़ी प्रगति हुई है। कई प्रणालियाँ पहले से ही शोध पत्र, उत्पाद विवरण या एक विषय वाक्य से संरचित और दृश्य रूप से अपेक्षाकृत अच्छी प्रारंभिक रूपरेखा बना सकती हैं।
लेकिन वास्तविक उपयोग में, पहले स्लाइड्स की कुंजी केवल इतनी नहीं है कि क्या यह उत्पन्न हुआ है, बल्कि यह है कि क्या यह किसी उपयोगकर्ता की अभिव्यक्ति की आदत के करीब पहुंच गया है।
एक ही ट्रांसफॉर्मर पेपर को बेसिक टीचिंग क्लास के रूप में प्रस्तुत किया जा सकता है, या फिर ग्रुप मीटिंग प्रेजेंटेशन, पेपर रीडिंग या टेक्निकल ट्रेनिंग के रूप में व्यवस्थित किया जा सकता है। विभिन्न उपयोगकर्ता अलग-अलग पेज रोल, कंटेंट डेंसिटी, सबूत की सीमाओं और मैकेनिज्म के विस्तार के प्रति अलग-अलग रुचि रखते हैं। कुछ उपयोगकर्ता पहले निष्कर्ष और टेकएवे की आवश्यकता रखते हैं, जबकि कुछ अधिक विस्तार से परिभाषाओं, मैकेनिज्म और सीमा परिस्थितियों को समझना चाहते हैं।
यही round-0 चरण में उपयोगकर्ता प्रोफाइल मेमोरी की भूमिका है।
बीजिंग यूनिवर्सिटी ऑफ पोस्ट एंड टेलीकम्युनिकेशन, त्सिंगहुआ यूनिवर्सिटी और शंघाई जियाओटोंग यूनिवर्सिटी के सहयोग से पूरा किया गया MemSlides, उपयोगकर्ता के बार-बार संशोधन के बाद ही "याद" करना शुरू नहीं करता, बल्कि पहली पीढ़ी के दौरान ही वर्तमान कार्य इरादे के आधार पर उपयोगकर्ता प्रोफ़ाइल को रिट्रीव करता है, और संगत दीर्घकालिक प्राथमिकताओं को वर्तमान कार्य स्मृति में रूट करता है, जिससे पेज की संरचना और अभिव्यक्ति को प्रभावित किया जा सके।
पेपर का लिंक: https://arxiv.org/abs/2606.17162
प्रोजेक्ट होमपेज: https://memslides.github.io/
डेमो लिंक: https://memslides.com/
कोड लिंक: https://github.com/huohua325/Memslides
HF लिंक: https://huggingface.co/papers/2606.17162
यह कार्य Hugging Face Daily Papers का Paper of the Day बन गया है, GitHub पर 400+ स्टार्स प्राप्त हुए हैं; डेमो वेबसाइट लॉन्च होने के बाद 100+ प्रमाणित उपयोगकर्ताओं ने इसका परीक्षण किया है।
चित्र 1 एक सामान्य "जनरेटेड रिजल्ट इमेज" नहीं दिखाता है। यह बल्कि यह समझाता है कि सिस्टम कैसे शोध पत्र की सामग्री को परिभाषाएँ, मुख्य तंत्र, प्रयोगात्मक साक्ष्य, सामान्य भूलों और सीमा परिस्थितियों जैसे पृष्ठों में विभाजित करता है। इन चयनों के पीछे, सामग्री संरचना, सूचना घनत्व और साक्ष्य-आधारित अभिव्यक्ति के संबंध में उपयोगकर्ता प्रोफ़ाइल की प्राथमिकताएँ हैं।
चित्र 1: पहले चरण के उत्पादन में पूर्णता के साथ-साथ उपयोगकर्ता प्रोफ़ाइल स्मृति का पृष्ठ व्यवस्था, सामग्री घनत्व और साक्ष्य सीमाओं पर प्रभाव भी दिखाया गया है।
प्रोजेक्ट ऑनलाइन डेमो भी प्रदान करता है। उपयोगकर्ता सामग्री अपलोड कर सकते हैं, memory प्रोफाइल या टेम्पलेट चुन सकते हैं, प्रारंभिक रूप बनाने के बाद संशोधन में आगे बढ़ सकते हैं और वर्तमान संस्करण को PPTX, HTML या PDF के रूप में डाउनलोड कर सकते हैं।
इसका मतलब है कि MemSlides व्यक्तिगत प्रारंभिक रूप से लेकर आगे के निरंतर संशोधनों तक की पूरी प्रक्रिया के लिए उपलब्ध है।
और जब पहला संस्करण उपयोगकर्ताओं के करीब पहुँचने लगता है, तो अगले प्रश्न अधिक तीखे हो जाते हैं: क्या सिस्टम बहुत सारे संशोधनों के दौरान इन प्राथमिकताओं को बनाए रख सकता है? वर्तमान सत्र में अस्थायी रूप से उठाए गए आवेदन क्या कुछ चक्रों के बाद अमान्य हो जाएँगे? जब उपयोगकर्ता केवल एक स्थानीय क्षेत्र को बदलना चाहता है, तो क्या सिस्टम पहले से समायोजित पृष्ठ को फिर से बिखेरने से बच सकता है?
Let memory divide the work
बहुत से लोग "Agent memory" सुनकर स्वाभाविक रूप से सोचते हैं: तो इतिहास की बातचीत को लंबे संदर्भ में डाल दें।
MemSlides ने ऐसा नहीं किया।
कारण बहुत सरल है: जितना अधिक इतिहास होगा, उतने ही अधिक संघर्ष होंगे। आज उपयोगकर्ता कहता है कि 'इस रिपोर्ट के लिए नीले शीर्षक का उपयोग करें', इसका मतलब यह नहीं है कि उसकी सभी पीपीटी में नीले शीर्षक होंगे; किसी एक संपादन में उपयोगकर्ता को जो टूल त्रुटि मिली, उसे 'वह किस शैली को पसंद करता है' के साथ मिला नहीं जाना चाहिए।
इसलिए, MemSlides व्यक्तिगत प्रेजेंटेशन जनरेशन को एक स्थिति-आधारित लेखन प्रक्रिया के रूप में मॉडल करता है: सिस्टम पहले स्रोत सामग्री, उपयोगकर्ता प्रोफाइल मेमोरी और वैकल्पिक टेम्पलेट के आधार पर round-0 ड्राफ्ट बनाता है; फिर प्रत्येक प्रतिक्रिया वर्तमान सत्र अवस्था को अपडेट करती है, और फिर वर्तमान डेक के आसपास स्थानीय संपादन किया जाता है।
इसके मेमोरी ऑर्गनाइजेशन के दो दृष्टिकोण हैं।
जीवन चक्र के दृष्टिकोण से, लंबी अवधि की स्मृति और कार्य स्मृति होती है। लंबी अवधि की स्मृति कार्यों के बीच स्थिर रहने वाली जानकारी को संग्रहीत करती है, जबकि कार्य स्मृति वर्तमान डेक में अभी भी लागू अस्थायी प्रतिबंधों, संशोधित लक्ष्यों और कार्यान्वयन स्थिति को संग्रहीत करती है।
फ़ंक्शनल भूमिका के आधार पर, उपयोगकर्ता प्रोफ़ाइल मेमोरी और टूल मेमोरी होती है। पहली यह बताती है कि "इस स्लाइड सेट में किन प्राथमिकताओं को दर्शाया जाना चाहिए", जबकि दूसरी यह बताती है कि "एजेंट को अधिक स्थिर कैसे बनाया जाए।"
दूसरे शब्दों में, MemSlides Agent को अधिक बेकार की जानकारी याद रखने के बजाय, यह बताता है कि कौन सी जानकारी को लंबे समय तक बनाए रखना है, कौन सी केवल वर्तमान कार्य के लिए प्रभावी है, कौन सी उपयोगकर्ता प्राथमिकताएँ हैं, और कौन सी उपकरण अनुभव हैं।
चित्र 2: MemSlides लंबी अवधि की स्मृति, कार्य स्मृति, उपयोगकर्ता प्रोफाइल स्मृति और उपकरण स्मृति को एक ही बहु-चरण संशोधन प्रक्रिया में संगठित करता है।
यूजर प्रोफाइल
असली व्यक्तिगतकरण अक्सर केवल एक role prompt से हल नहीं होता।
एक ही शैक्षिक प्रस्तुति के लिए, कुछ लोग प्रत्येक स्लाइड पर केवल एक केंद्रीय निष्कर्ष रखना पसंद करते हैं, जबकि कुछ सूत्रों और प्रयोगात्मक विवरणों को बरकरार रखते हैं; एक ही व्यावसायिक प्रस्तुति के लिए, कुछ लोग उच्च घनत्व वाली सारणियों को पसंद करते हैं, जबकि कुछ अधिक रुझान चार्ट और तुलनात्मक चार्ट पर निर्भर करते हैं।
ये अंतर एक ही प्रॉम्प्ट में के टैग नहीं हैं, बल्कि उपयोगकर्ता द्वारा लंबे समय तक लिखने और संशोधित करने में धीरे-धीरे प्रकट हुए आदतें हैं।
MemSlides इस प्रकार के क्रॉस-टास्क प्राथमिकताओं को उपयोगकर्ता प्रोफाइल याददाश्त के माध्यम से संग्रहीत करता है। यह प्रोफाइल को पूरा प्रॉम्प्ट के शुरुआत में चिपकाने के बजाय, कार्य की शुरुआत में वर्तमान इंटेंट के आधार पर संबंधित प्राथमिकताओं को खोजता है और फिर इसे वर्तमान अनुरोध के साथ समन्वयित करता है।
यदि दीर्घकालिक प्राथमिकताएँ और वर्तमान स्पष्ट निर्देश संगत हैं, तो वे एक साथ कार्य स्मृति में प्रवेश करते हैं; यदि टकराव होता है, तो वर्तमान स्लाइड्स के स्पष्ट निर्देशों को प्राथमिकता दी जाती है।
यह कदम बहुत महत्वपूर्ण है। अन्यथा, सिस्टम आसानी से "इस बार मैं नीले शीर्षक को चाहता हूँ" को "उपयोगकर्ता हमेशा नीले शीर्षक को पसंद करता है" के रूप में समझ लेगा।
कार्य पूरा होने के बाद, MemSlides प्रत्येक प्रतिक्रिया को लंबे समय तक के प्रोफ़ाइल में वापस नहीं लिखता। यह केवल स्थिर और स्थानांतरणीय इंटरैक्शन संकेतों को संग्रहित करता है, ताकि अगली पीढ़ी उपयोगकर्ता के अनुकूल हो, न कि अधिक अव्यवस्थित।
चित्र 3: उपयोगकर्ता प्रोफाइल स्मृति को खोज, रूटिंग, वर्तमान कार्य के उपयोग और कार्य के समाप्त होने के बाद स्थिर संकेत स्थायीकरण का अनुभव होता है।
वर्किंग मेमोरी
अनेक संशोधनों में, एक प्रकार की जानकारी और भी सूक्ष्म है।
यह दीर्घकालिक प्राथमिकता नहीं है, लेकिन वर्तमान deck में लगातार प्रभावी होना चाहिए।
उदाहरण के लिए, यदि उपयोगकर्ता दूसरे चरण में कहता है: "अगले चरण में यदि कोई summary/tip box जोड़ा जाता है, तो हल्के धूसर बैकग्राउंड का उपयोग करें।" तब तक सिस्टम में ऐसे तत्व नहीं जोड़े गए थे, इसलिए इस आवश्यकता को तुरंत कार्यान्वित नहीं किया गया। कुछ चरणों के बाद, यदि उपयोगकर्ता summary box के साथ पृष्ठ जोड़ने का अनुरोध करता है, तो यह नियम सक्रिय होना चाहिए।
अगर एजेंट केवल वर्तमान चक्र के इनपुट को देखता है, तो ऐसी देरी से लागू होने वाली सीमाओं को भूल जाना आसान है।
MemSlides का कार्य स्मृति वर्तमान लेखन कार्य का स्टेटस बोर्ड है: active temporary preferences, carryover instructions, resolved targets, coverage status सभी यहाँ रखे गए हैं। Plan चरण इन स्टेटस को पढ़कर संशोधन की सीमा निर्धारित करता है, Act चरण इसके आधार पर सीमित संपादन करता है, और Guard चरण परिणामों को अपडेट और जाँचता है।
इससे बहुचरणीय संशोधन अब एक-दूसरे से अलग-अलग प्रॉम्प्ट्स नहीं रहे, बल्कि एक ही स्लाइड्स के चारों ओर लगातार आगे बढ़ती हुई संपादन प्रक्रिया बन गए।
चित्र 4: कार्य स्मृति द्वारा पहले उठाए गए और बाद में ट्रिगर होने वाले अस्थायी स्टाइल प्राथमिकताओं को लागू रखा जाता है।
केवल जरूरी जगहों को बदलें
For human editors, "change only this one place" is a very natural phrase.
जनरेटिव सिस्टम के लिए यह वाक्य कठिन है।
क्योंकि बहुत सारे सिस्टम फीडबैक को संभालते समय व्यापक सामग्री को पुनः पढ़ते या पुनः लिखते हैं। परिणामस्वरूप, लक्षित क्षेत्र सही हो जाता है, लेकिन गैर-लक्षित पेज भी बदल जाते हैं। उपयोगकर्ता केवल एक छोटी आवश्यकता बताता है, लेकिन सिस्टम पूरे PPT की स्थिति को फिर से बिखेर देता है।
MemSlides इस समस्या को स्कोप्ड स्लाइड-लोकल संशोधन के साथ सीमित करता है।
प्रत्येक प्रतिक्रिया को सर्वन्यून प्रभावी संशोधन क्षेत्र में मैप किया जाता है, फिर Plan-Act-Guard प्रक्रिया में शामिल किया जाता है।
प्लान चरण में प्राकृतिक भाषा अनुरोध को एक्जीक्यूशन कॉन्ट्रैक्ट में बदलें, जिसमें लक्ष्य स्लाइड, असर के क्षेत्र, सिलेक्टर हिंट्स और कवरेज आवश्यकताएँ स्पष्ट हों।
एक्ट चरण में पेज स्ट्रक्चर के आधार पर एडिटिंग टूल चुनें और सीमित सीमाओं के भीतर न्यूनतम प्रभावी कार्रवाई करें। गार्ड चरण में "पूरा" को एक जांच की आवश्यकता वाली स्थिति में बदल दें: लक्ष्य कवर न होने पर जल्दबाजी में फाइनलाइज़ न करें, स्नैपशॉट का समय समाप्त होने पर पुनः बाइंड करें, और स्थानीय अनुरोध को पूरे डेक के पुनःलिखन में न बदलें।
इस चरण में, "मॉडल को लगता है कि इसने समाप्त कर दिया है" को "सिस्टम जांच सकता है कि इस संशोधन ने वास्तव में लक्ष्य को कवर किया है या नहीं, और क्या यह सीमा के बाहर गया है" में बदल जाता है।
चित्र 5: Plan-Act-Guard स्थानीय संशोधन को रेंज योजना, नियंत्रित निष्पादन और परिणाम जांच में विभाजित करता है।
टूल मेमोरी
Slides संपादन केवल पाठ संशोधन नहीं है।
एक स्थानीय संशोधन पेज संरचना, सिलेक्टर्स, स्टाइल नियमों, लेआउट स्नैपशॉट और वैलिडेशन लॉजिक को शामिल कर सकता है। एजेंट भले ही उपयोगकर्ता क्या चाहता है, इसे समझ ले, लेकिन टूल कॉल के दौरान गलत क्षेत्र पढ़ सकता है, दोहराकर प्रयास कर सकता है, संशोधन के दायरे को बढ़ा सकता है, या लक्ष्य को अभी तक कवर न किए जाने पर पहले ही समाप्त कर सकता है।
इसलिए, MemSlides ने टूल मेमोरी भी पेश की है।
टूल मेमोरी यह नहीं रिकॉर्ड करती कि उपयोगकर्ता को क्या पसंद है, बल्कि यह रिकॉर्ड करती है कि समान संपादन कार्यों में कौन सा निष्पादन पथ कारगर है और कौन सी त्रुटियों से बचना चाहिए।
इस पेपर को दो स्तरों में व्यवस्थित किया गया है: round-scope task experience, जो एक राउंड के संशोधन के अनुभव, त्रुटियों का सारांश और स्थानांतरणयोग्य पैटर्न को रिकॉर्ड करता है; और operation-scope tool-chain experience, जो अधिक सूक्ष्म reasoning-tool-observation टुकड़ों को संग्रहीत करता है, जिन्हें समान टूल कॉल के पहले संदर्भ के रूप में प्राप्त किया जाता है।
इस डिज़ाइन ने लक्ष्य और निष्पादन को अलग कर दिया है।
यूजर प्रोफाइल यह निर्धारित करता है कि स्लाइड्स को किस दिशा में बदलना चाहिए, जबकि टूल मेमोरी Agent को अनावश्यक रास्ते से बचाती है और अनिश्चितता को कम करती है।
चित्र 6: टूल मेमोरी टूल कॉल अनुभव पर ध्यान केंद्रित करती है, उपयोगकर्ता की सौंदर्य रुचियों पर नहीं।
परीक्षण परिणाम
MemSlides का मूल्यांकन केवल एक समग्र उत्पादन स्कोर नहीं देता, बल्कि विभिन्न स्मृति घटकों के संबंधित क्षमताओं को अलग-अलग सत्यापित करता है: उपयोगकर्ता प्रोफाइल स्मृति round-0 persona alignment के लिए, कार्य स्मृति बहु-चरण संवाद में delayed preference carryover के लिए, और उपकरण स्मृति diagnostic matched-pair modify setting में अलग से सत्यापित की जाती है।
व्यक्तिगत उत्पादन में, उपयोगकर्ता प्रोफाइल स्मृति ने बहु-पर्सोना और बहु-इंटेंट सेटिंग में पर्सोना अलाइनमेंट को बेहतर बनाया है। शोध पत्र आगे बताता है कि यह सुधार केवल "किसी टेम्पलेट की तरह अधिक दिखने" तक सीमित नहीं है, बल्कि सामग्री के बिंदु, पृष्ठ के भूमिका, साक्ष्य की संरचना और पर्सोना विभाजन जैसे योजना स्तर के चयनों में भी दिखाई देता है।
स्थानीय संशोधित जोड़ी निदान में, उपकरण स्मृति द्वारा लाए गए परिवर्तन अधिक सीधे होते हैं:
इसी समय, कोर टूल समय अनुपात 0.327x तक घट गया।
ध्यान दें कि ये आंकड़े निदानात्मक matched-pair modify setting से आए हैं और इन्हें सभी परिदृश्यों में एकल अग्रणी के रूप में नहीं लिया जाना चाहिए। अधिक सटीक रूप से, ये एक प्रक्रियात्मक निष्कर्ष का समर्थन करते हैं: जब उपकरण स्मृति पुनःउपयोगयोग्य कार्यान्वयन अनुभव प्रदान करती है, तो Agent बंद लूप पूरा करने, कठोर प्रमाणीकरण करने और पहला सही संपादन मार्ग खोजने में अधिक आसानी से अभिसरित होता है।
चित्र 7: स्थानीय संपादन की तुलना पत्र में गुणात्मक मामला है, जो उपकरण स्मृति संचालन से पहले और बाद के संपादन प्रक्रिया के अंतर को दर्शाने के लिए उपयोग किया जाता है।
PPT एजेंट का अगला कदम
लंबे समय तक का सहयोग
MemSlides PPT के बारे में चर्चा करता है, लेकिन इसके पीछे की समस्या केवल PPT से संबंधित नहीं है।
जब एजेंट दस्तावेज़ जनरेशन, कोड संशोधन, डेटा विश्लेषण, उद्यम ज्ञान प्रणाली आदि दीर्घकालिक कार्यों में प्रवेश करता है, तो ये चुनौतियाँ समान रूप से उत्पन्न होती हैं: कौन सी जानकारी को दीर्घकालिक रूप से बरकरार रखा जाना चाहिए, कौन सी स्थिति केवल वर्तमान कार्य से संबंधित है, कौन से निष्पादन अनुभव पुनः उपयोग किए जा सकते हैं, और कौन सी सामग्री स्थानीय संशोधन के दौरान अपरिवर्तित रहनी चाहिए।
अगर एक क्लिक से जेनरेट करने से 0 से 1 तक का समाधान होता है, तो बहु-चरण संशोधन 1 से उपयोगयोग्य तक की परीक्षा करता है।
भविष्य के Slides Agent को केवल अधिक सुंदर पहली स्लाइड बनाने के बजाय, बार-बार संशोधन के दौरान उपयोगकर्ता को समझते रहना, संपादन की सीमाओं को बनाए रखना, और एक सेट स्लाइड्स को उपयोगकर्ता के वास्तविक इच्छित संस्करण की ओर स्थिर रूप से अग्रसर करना होगा।