arXiv cs.AI· Jiahao Wang, Xiyan Jiang, Chenyuan Wu, Haoqiang Zhang, Xin Luo, Yueze Wang, Defu Lian, Bo Zhang, Jiajun Zhang, Zheng Liu·· 3 天前AI 评分52
InfoVis：统一的幻灯片图像生成与编辑模型
InfoVis: Unified Slide Image Generation and Editing
AI 导读
InfoVis 是一个统一的 9B 幻灯片生成与编辑模型，基于 FLUX.2-klein-base-9B 做幻灯片专项后训练，在 VisSlideBench 上以 7.94 总分领先所有参评开源模型，接近 Nano-Banana-2 的 7.99。
正文 · AI 翻译
摘要：生成和编辑演示幻灯片要求模型在一个画布内结合准确的文本渲染、指令遵循、视觉定位、美学设计和精确编辑。现有工作仅涵盖这些能力的部分子集，且缺乏大规模幻灯片原生监督和诊断性评估。我们制定了四项以幻灯片为中心的任务，并构建了一个可扩展的数据引擎，包含超过 1300 万条持续预训练记录和 190 万条监督微调记录。我们还推出了 VisSlideBench，这是一个包含 1,527 个经人工筛选实例的基准，覆盖全部四项任务，并提供针对任务的多维评估。其自动排名与盲测的逐维度人工排名一致。利用这些资源，我们训练了 InfoVis，一个统一的 9B 幻灯片生成与编辑模型。在 VisSlideBench 上，InfoVis 在全部十一项指标上领先所有被评估的开源模型，总体得分为 7.94，而 Nano-Banana-2 为 7.99。从 FLUX.2-klein-base-9B 出发，针对幻灯片的后期训练使总体得分提升 1.6 分，其中内容忠实度方面的生成增益最大；与专有模型的剩余差距在内容忠实度上最小，在美学质量上最大。基于 InfoVis，我们的文档到幻灯片工作流在外部 SlidesGen-Bench 上取得了第二高的美学得分。我们将发布模型、代码、数据和基准。
| 评论： | 代码：this https URL |
| 主题： | 计算机视觉与模式识别 (cs.CV)；人工智能 (cs.AI)；机器学习 (cs.LG) |
| 引用为： | arXiv:2610.16784 [cs.CV] |
| （或 arXiv:2610.16784v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.16784 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Jiahao Wang [查看电子邮件]
[v1]
2026年10月12日星期一 13:39:59 UTC (25,367 KB)
来源：arXiv cs.AI · arxiv.org