天下苦 PPT 久矣。

體驗過市面上各種 AI 生成 PPT 工具的人，往往都會遇到同樣的痛點(diǎn)：排版崩壞、內(nèi)容空洞、經(jīng)不起推敲。 為什么會這樣？因為目前的通用大語言模型（LLM）寫 PPT，本質(zhì)上是在對話框里 “盲寫” 代碼或文本。它們既沒有真正的 “手” 去查閱權(quán)威文獻(xiàn)，也沒有真正的 “眼睛” 去審視自己排版出來的最終效果。

近日，中國科學(xué)院軟件研究所中文信息處理實驗室開源了第二代 PPTAgent --DeepPresenter。這是業(yè)界首次將幻燈片智能體模型與完整的智能體沙箱環(huán)境一同開源，更能支持在單張 3090/MAC 上一鍵部署。它徹底重構(gòu)了 AI 制作 PPT 的邏輯，讓智能體不僅能 “深度探索”，還能 “親眼所見”。

• GitHub 鏈接: https://github.com/icip-cas/PPTAgent
• HuggingFace鏈接: https://huggingface.co/collections/ICIP/deeppresenter
• 論文鏈接: https://arxiv.org/abs/2602.22839

核心破局點(diǎn)：給智能體裝上 “眼睛” 與 “手”

DeepPresenter 放棄了傳統(tǒng)的 “語言模型直接生成” 路徑，而是將智能體置入了一個全功能的 Docker 沙箱環(huán)境（Shared Agent Environment）中，直接切中目前 AI 辦公的兩大痛點(diǎn)：

痛點(diǎn)一：內(nèi)容全是 “車轱轆話” 和幻覺？

解決：構(gòu)建強(qiáng)大的智能體環(huán)境，賦予其研究和閱讀的 “手”。

在 DeepPresenter 中，智能體手握 20+ 種專業(yè)工具。它不僅能通過 MinerU 深度解析復(fù)雜的 PDF 文獻(xiàn)，還能實時連接 arXiv 和 Google Scholar 進(jìn)行有據(jù)可查的深度調(diào)研（DeepResearch），甚至可以直接運(yùn)行 Python 代碼來繪制數(shù)據(jù)圖表，確保 PPT 內(nèi)容的專業(yè)度與數(shù)據(jù)準(zhǔn)確性。

痛點(diǎn)二：排版錯亂、文字擋圖？

解決：環(huán)境感知反思機(jī)制（Environment-Grounded Reflection），給它加上 “眼睛”。

以往的模型不知道自己生成的排版長什么樣。而 DeepPresenter 形成了一套 “寫→看→改” 的視覺閉環(huán)。Presenter 智能體每寫完一頁代碼，都會調(diào)用沙箱內(nèi)的瀏覽器將其渲染成真實圖片，然后 “親眼” 檢查這張截圖。標(biāo)題被擋住了？對比度不夠？它會像人類設(shè)計師一樣立即進(jìn)行自適應(yīng)調(diào)整并回爐重造，直到視覺效果完美。

案例演示

只需一行極其簡單的指令，即可體驗這種全新的 Agentic 工作流：

接收指令后，DeepPresenter 會立即啟動：Researcher在自動檢索相關(guān)的相關(guān)資料和高清圖片；隨后交棒給Presenter，根據(jù)呈現(xiàn)主題設(shè)計相稱的風(fēng)格，最終輸出一份內(nèi)容扎實、樣式精美的幻燈片。

幫我做一個小米 SU7 的 PPT

制作一份4:3幻燈片，以美國自由漫畫師視角分享創(chuàng)作《超級戰(zhàn)隊》與《假面騎士》同人作品的實用技巧，涵蓋理解原作、發(fā)展風(fēng)格、捕捉角色、編寫故事及建立粉絲社群

幫我做一份關(guān)于羅賓漢（Robin Hood）的介紹 PPT，包含歷史背景、傳奇故事和文化影響。

更重要的是，所有生成內(nèi)容均為 .pptx 可編輯格式，支持自由修改與二次創(chuàng)作，徹底擺脫類似 nanobanana 那樣 “生成后無法編輯” 的困擾，讓 PPT 創(chuàng)作真正可控、高效、靈活。

核心技術(shù)：如何煉成 “最強(qiáng) PPT 智能體”？

DeepPresenter 之所以能以 9B 參數(shù)實現(xiàn) “下克上”，核心在于其創(chuàng)新的訓(xùn)練流水線（Pipeline）：

1.數(shù)據(jù)構(gòu)建：團(tuán)隊基于 PersonaHub 與 arXiv 等多源數(shù)據(jù)集構(gòu)建了高多樣性的任務(wù)數(shù)據(jù)。通過在指令中顯式定義頁數(shù)限制、長寬比及語言策略等細(xì)粒度約束條件，確保模型在訓(xùn)練階段即建立了對復(fù)雜用戶意圖的深度語義表征。

2.外在驗證引導(dǎo)：為了打破智能體 “自我感覺良好” 的驗證偏差（Self-verification Bias），團(tuán)隊引入了獨(dú)立評審機(jī)制。在訓(xùn)練數(shù)據(jù)合成階段，由獨(dú)立模型作為 “獨(dú)立評估者” 指出生成產(chǎn)物中的排版或邏輯缺陷，引導(dǎo)智能體產(chǎn)生高質(zhì)量的執(zhí)行軌跡

3.多級軌跡過濾：團(tuán)隊從 1,152 個任務(wù)中篩選出 802 條頂級質(zhì)量的智能體軌跡進(jìn)行 SFT 訓(xùn)練。這些軌跡涵蓋了中英雙語、多種寬高比及復(fù)雜的指令約束。

性能實測：消費(fèi)級顯卡下的極限表現(xiàn)

為了全面驗證 DeepPresenter 的實際效果，作者在預(yù)留的 128 個任務(wù)上使用 PPTEval 進(jìn)行了系統(tǒng)評測，并與三種主流幻燈片生成方案進(jìn)行了對比。

在此基礎(chǔ)上，作者進(jìn)一步分析了不同模型設(shè)置下的成本 — 性能表現(xiàn)，從 “效果” 和 “成本” 兩個維度進(jìn)行綜合評估。

結(jié)果表明：DeepPresenter-9B 取得了 4.19 的高分，表現(xiàn)與閉源模型 GPT-5（4.22）幾乎持平，并且 DeepPresenter 顯著優(yōu)于其他的幻燈片生成方案。

更值得關(guān)注的是，在成本 — 性能曲線中，DeepPresenter-9B 位于前沿的 “突變點(diǎn)” 位置，意味著在性能與價格之間達(dá)到了極具競爭力的平衡。

換句話說，它用GPT-5 幾十分之一的算力成本，實現(xiàn)了同等級別的智能表現(xiàn)。這也意味著 —— 在消費(fèi)級顯卡上，我們就能夠運(yùn)行一個媲美頂級閉源模型的 PPT 智能體。

目前，DeepPresenter 項目已完全開源，歡迎開發(fā)者共同構(gòu)建 Presentation Agent 的未來。

作者介紹：

本開源項目以及論文作者均來自中國科學(xué)院軟件研究所中文信息處理實驗室孫樂研究員、韓先培研究員團(tuán)隊，主要作者包括鄭昊、莫國釗、陳軒昂、陸垚杰及林鴻宇。實驗室的主要研究領(lǐng)域包括大模型和大模型驅(qū)動智能體的知識機(jī)制、知識能力增強(qiáng)及應(yīng)用。