A IBM Research publicou a 3 de novembro de 2026, no Hugging Face, um artigo sobre o Palette, um projeto que pretende ensinar um modelo pequeno de pesos abertos a construir apresentações na linguagem de design de uma organização. Os autores, Praveen Venkateswaran, Anupama Murthi e Hamid Adebayo, explicam que os modelos de fronteira produzem bons decks, mas tendem a adotar um estilo próprio e cada vez mais uniforme, e que nem sempre é possível enviar conteúdos confidenciais para serviços externos. Daí a aposta em modelos que a empresa possa controlar na sua própria infraestrutura e treinar com os seus próprios padrões visuais.
Segundo o texto, a dificuldade dos modelos pequenos decorre de três tarefas combinadas. O modelo não vê o slide que está a desenhar, pelo que tem de calcular mentalmente se um título de 75 caracteres cabe em duas linhas a 56 pontos, o que origina sobreposições e texto fora da área útil. Além disso, tem de decidir em simultâneo o conteúdo editorial e a geometria exata, e não existem conjuntos de dados públicos que associem planos, justificações de design e código de slides. A equipa responde a este problema separando o trabalho em dois papéis.
A abordagem consiste num designer, que lê o plano e escreve um resumo estruturado com paleta, sistema tipográfico, layout e conteúdo de cada slide, e num programador, que converte a especificação de cada slide em código JavaScript para a biblioteca pptxgenjs. Ambos os papéis são servidos por um único adaptador LoRA sobre um modelo base de 20 mil milhões de parâmetros. Como o contexto de cada slide fica definido antes de se escrever qualquer código, as chamadas do programador podem correr em paralelo, o que, segundo a equipa, acelera esta fase cerca de seis a sete vezes.
Os dados de treino foram sintetizados com um modelo professor grande e de pesos abertos, a partir de cerca de 1000 apresentações e 10 000 slides. Cada exemplo inclui um raciocínio contrafactual que explica porque foi rejeitada uma alternativa, por exemplo preferir um gráfico de barras a uma tabela quando o objetivo é mostrar uma tendência. Todas as apresentações foram renderizadas e verificadas quanto a sobreposições e transbordos pelo mesmo verificador usado na inferência, e os slides com falhas foram reparados. A equipa refere ainda que os exemplos do programador são cerca de cinco vezes mais longos, pelo que sobreamostrou os do designer para evitar que ficasse subtreinado.
No que respeita a resultados, os autores afirmam que o modelo ocupa o primeiro lugar em dois dos três domínios medidos no PresentBench. Trata-se de uma alegação feita pelos próprios autores, sobre uma avaliação que mediram no seu estudo, e não de um resultado independente publicado por terceiros. Os elementos disponíveis não apresentam os valores absolutos nem a metodologia completa de comparação, pelo que não é possível confirmar a magnitude da vantagem nem a sua reprodução por outras equipas.
Porque importa
O texto aponta para uma necessidade concreta de empresas que querem geração automatizada de apresentações sem perder controlo sobre dados confidenciais nem sobre a identidade visual. Ao mostrar que um modelo pequeno pode ser treinado com dados sintéticos e verificado por um harness, o projeto sugere um caminho alternativo aos modelos de fronteira. Ainda assim, os resultados comparativos são relatados pelos próprios autores, pelo que a leitura deve ser cautelosa até existirem avaliações independentes.