一句话看懂：IBM Research 在 Hugging Face 发布 Palette，用约 1000 份合成演示文稿微调一个 20B 开源权重模型，让它在自有基础设施上按指定设计语言生成幻灯片。它针对的是前沿模型“千篇一律”和机密内容不能外发的两个痛点。
事件核心：发生了什么
据 Hugging Face Blog 2026 年 11 月 3 日文章，IBM Research 团队训练了一个 20B 模型，采用 LoRA 微调而非全量微调，训练数据遵循 IBM Design Language，规模约 1000 份演示文稿、约 1 万张幻灯片。模型把做稿拆成两个角色：设计者先输出结构化 JSON 简报，包含配色、字体系统、每页布局、内容与简短设计理由；编码者再依据单页规格写出 pptxgenjs 的 JavaScript 代码。由于每页上下文在写代码前已固定，编码可并行执行，该阶段约快 6–7 倍。团队称其在自建评测集 PresentBench 的三个领域中两项排名第一。
为什么重要
前沿模型自带“房风格”，提示词很难压住；企业又常因保密要求不能把内容送到外部 API。Palette 的思路是自己拥有权重、在自己基础设施上跑、按自家模板训练，这在小模型上此前很难做到——它们容易出标题融进背景、文字溢出、图形重叠等排版错误。另一个关键点是合成数据里附带反事实推理，例如设计者解释“这里用柱状图而非表格，因为要突出趋势”，让模型学到选择背后的规则。目前公开信息显示，这仍是研究性的技术验证，而非已上线的成品服务。
对用户/开发者/创作者的影响
对企业开发团队，价值在于“可自托管 + 可定制模板”的组合，适合对内容外发敏感的机构；设计者和编码者之间的 JSON 简报可直接阅读和修改，人能只改一页布局而不重生成整套文稿。创作者则要看到门槛：效果依赖成体系的品牌设计语言和足够干净的合成训练数据，不是填几个提示词就能复现。另有细节值得留意：编码样本长度约为设计样本的 5 倍，简单混采会让设计者训练不足，团队最后对设计样本做了 5 倍过采样——自建类似流程时会遇到同样的配比问题。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是代码与模型权重是否完整开放，能否复现 PresentBench 的结果；二是评测只覆盖团队自设的三个领域，换成其他模板或中文内容后表现如何尚无公开数据；三是实际接入 Office/WPS 或企业模板库的落地形态，以及是否会出现同类“设计语言微调”的开源跟进者。
