前沿模型能生成像样的幻灯片，但连续生成多套后会趋同，自带某种“AI生成”的审美。如果你要求它匹配你的模板，它总会被拽回自己的默认风格；当内容涉密时，又完全不能把数据送出系统。Palette 的应对是：用你自己设计语言的合成数据，微调一个 20B 的开源权重模型，并在外面套一层检查-修复装置，最终模型归你、结果也归你。

为什么小模型做不好幻灯片？一张幻灯片看起来简单，但模型要在看不见渲染结果的情况下做三件事：写代码把每个元素放在 x、y、宽、字号上，75 个字符的标题在 56pt 下是否折成两行，全靠心算；它同时要做编辑判断和几何定位；而且没有现成数据能说明“一张好片子是怎么做出来的”。

Palette 把任务拆成设计师和程序员两个角色，由同一个 LoRA 适配器承担。设计师读取计划，输出结构化 JSON brief，包含调色板、字体系统、每页布局、确切内容和简短设计理由；程序员拿到单页 spec，写出生成这张幻灯片的 pptxgenjs JavaScript。每个角色的决策单一化：设计师管内容取舍，程序员管几何。brief 可读可改，人和 agent 都能单独调整某一页；因为每页上下文在写代码前就固定，所有 coder 调用可以并行，编码阶段约快 6-7 倍。用 LoRA 而不是全参数微调，是因为它只教格式和技能，不动基座能力，而且实验成本低。训练数据里一个教训：coder 示例比 designer 示例长约 5 倍，朴素混合会导致设计师欠训练，需要把它的示例过采样 5 倍。

没有公开的“计划+设计决策+代码”语料，Palette 用大型开放教师模型合成。每套 deck 从 recipe 开始，控制体裁、长度、布局和用户指令；计划范围从整齐大纲到原始内容倾倒，模型学着删减和压缩。共生成约 1000 套 deck、约 10000 张幻灯片。每个示例还带反事实推理：权衡替代方案并说明为什么被拒绝，让模型学选择背后的规则。比如设计师会说“我考虑用表格，但这页的重点是趋势而不是精确数字，所以用柱状图”；程序员会写“标题 62 个字符，44pt 会折成三行撞到下面的图表，所以设成 36pt”。教师模型本身不够，外围的检查循环才让数据变好：每张合成幻灯片都被渲染和检查，重叠、溢出会被修复，修复理由也写成同样的反事实，被检查器抓到的错误变成更好的训练样本。

最难的是忠实性：最糟的失败是幻灯片出现输入里没有的事实，光靠 prompt 规则挡不住。真正有效的是 reference decks：教师模型会大量模仿样例，而不是服从指令，所以修好参考样例比加规则更能改变输出。Palette 还支持用 [[ ]] 写在计划里的指令，比如 [[make this a timeline]]，12 个类别的指令用多种措辞训练，让模型学意图而非固定短语。

训练好的模型仍可能出错。Palette 不直接返回模型输出，全部先过 harness：简单规则先修已知错误（如坏颜色代码），再把每页渲染并测几何，发现文本重叠、裁剪出界就交给单独的 editor 模型重写。关键规则是：只有检查器确认改好了才保留重写，否则用原样，所以 harness 只能修好、不能改坏。跨 131 套 PresentBench deck 测试，harness 平均加 3.5 分。

评估用 PresentBench，按 fundamentals、visual design、completeness、correctness、fidelity 打分。Palette 在经济和教育的两个 domain 上排第一，Talk 排第三，三个 domain 平均排第二，59.7 比 NotebookLM 的 60.8 差 1.1 分，但超过其余系统，而且是单个 20B 开放权重模型。作者指出 PresentBench 不测设计语言遵循度，这仍是个空白。下一步：用 harness 的检查信号做强化学习奖励（GRPO 风格），让模型一开始就不犯错；用 Docling 抽文档里的图并放进 deck；以及尝试从一两份现有 .pptx 重换皮肤，不用重新训练。

他们总结的通用方法：把推理写进数据；修参考样例而不是加规则；修复要默认安全，能证明变好才保留；先建检查器，它让数据可信、输出可发送。