PPTArena: A Benchmark for PowerPoint Editing

📄 arXiv: 2512.03042 📥 PDF

作者: Michael Ofengenden, Yunze Man, Ziqi Pang, Liang-Yan Gui, Yu-Xiong Wang

分类: cs.CV, cs.AI

发布日期: 2026-07-05

💡 一句话要点

提出PPTArena基准以解决PowerPoint编辑挑战

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: PowerPoint编辑 基准测试 视觉-语言模型 结构感知 自动化工具

📋 核心要点

  1. 现有的PowerPoint编辑方法在处理复杂的幻灯片修改时表现不佳，尤其是在长时间跨度和文档规模的任务上。
  2. 论文提出了PPTArena基准和PPTPilot代理，PPTPilot能够根据自然语言指令进行结构化的幻灯片编辑，提升编辑效果。
  3. 实验结果显示，PPTPilot在多个编辑任务上比现有VLM代理提高了超过10个百分点，尤其在视觉质量和一致性方面表现突出。

📝 摘要（中文）

我们介绍了PPTArena，这是一个用于PowerPoint编辑的基准，评估代理如何根据自然语言指令修改真实幻灯片。与依赖图像-PDF渲染或文本到幻灯片生成的基准不同，PPTArena包含100个幻灯片组，涵盖超过1300个人工编辑，涉及文本、图表、动画和专业母版样式。每个编辑都将真实幻灯片与目标标准配对，并由两位视觉-语言模型（VLM）评审进行评分。基于此基准，我们提出了PPTPilot，一个结构感知的代理，能够规划语义编辑序列，并在程序化工具和确定性XML操作之间进行路由。PPTPilot在复合、布局敏感和跨幻灯片编辑方面的表现超过了强大的VLM代理，提升幅度超过10个百分点，且在视觉保真度和整体一致性上有显著提高。尽管如此，所有代理在长时间跨度和文档规模任务上仍然面临挑战，突显了可靠的PowerPoint编辑仍然困难。

🔬 方法详解

问题定义：本论文旨在解决PowerPoint编辑中的可靠性和准确性问题，现有方法在处理复杂的幻灯片修改时存在显著不足，尤其是在长时间跨度和文档规模的任务上。

核心思路：论文的核心解决思路是引入PPTArena基准和PPTPilot代理，通过结构感知的方式规划语义编辑序列，从而提高编辑的准确性和效果。

技术框架：整体架构包括PPTArena基准数据集和PPTPilot代理，PPTPilot通过程序化工具和XML操作进行编辑，并在每次编辑后进行验证，形成迭代的计划-编辑-检查循环。

关键创新：最重要的技术创新点在于PPTPilot的结构感知能力和迭代验证机制，这与现有方法的单一编辑策略形成了本质区别。

关键设计：在设计中，PPTPilot使用了特定的损失函数来优化编辑质量，并结合了多种网络结构以支持复杂的幻灯片编辑任务。

📊 实验亮点

实验结果表明，PPTPilot在复合、布局敏感和跨幻灯片编辑任务上比现有的VLM代理提高了超过10个百分点，且在视觉保真度和整体一致性方面表现显著优于基线，显示出其在实际应用中的潜力。

🎯 应用场景

该研究的潜在应用领域包括教育、商务演示和在线会议等场景，能够帮助用户更高效地创建和修改幻灯片，提升演示的专业性和视觉吸引力。未来，随着技术的进步，PPTArena和PPTPilot有望推动自动化幻灯片编辑的广泛应用。

📄 摘要（原文）

We introduce PPTArena, a benchmark for PowerPoint editing that evaluates how agents modify real slides from natural-language instructions. Unlike benchmarks that rely on image-PDF renderings or text-to-slide generation, PPTArena features 100 decks with over 1,300 human-curated edits across 2,125 slides, spanning text, charts, animations, and professional master styles. Each edit pairs a ground-truth deck with a target rubric and is scored by two Vision-Language Model (VLM) judges: one rates instruction following from structural diffs, the other visual quality from slide images. On top of this benchmark, we present PPTPilot, a structure-aware agent that plans semantic edit sequences, routes between programmatic tools and deterministic XML operations, and verifies each result in an iterative plan-edit-check loop. PPTPilot outperforms strong VLM-based agents by more than 10 percentage points on compound, layout-sensitive, and cross-slide edits, with large gains in visual fidelity and deck-wide consistency. Despite this, all agents still struggle on long-horizon, document-scale tasks, underscoring how hard reliable PowerPoint editing remains. We publicly release our code atthis https URL.