ArcDeck：基于叙事驱动的论文到演示稿生成框架

用话语树+全局承诺+多agent迭代精炼，把论文变成结构清晰的演示稿。

前置知识

修辞结构理论（RST）

Rhetorical Structure Theory 把文本切成基本话语单元（EDU），再按"核心-卫星"或"多核"关系递归组合成树状结构，刻画段落之间的修辞依赖（如解释、举例、目的、背景等）。

ArcDeck 用 RST 树作为叙事骨架，只有先理解这种层次化的修辞依赖，才能把握作者如何组织论证。

多智能体协作（Multi-Agent）

把复杂任务拆给多个有专长的 LLM 智能体（如规划、批评、裁决），通过消息传递或共享状态协作完成。每个智能体只负责一类决策，可迭代互评以提升输出质量。

ArcDeck 的"叙事精炼循环"完全依赖 Planner/Critic/Judge 三个智能体的批评-裁决-修订闭环，是其相对传统单次生成的核心差异。

VLM 评判与 A/B 偏好测试

用视觉语言模型代替人工，按预设打分维度（如叙事流畅度、视觉布局）对生成结果打分，或在两份候选输出间做偏好选择。本质上是把"评委"自动化，降低人工评估成本。

论文四类评估指标中有两类完全依赖 VLM 评判，没有这部分背景就读不懂 Tables 3、4 的设计意图与统计意义。

基本话语单元（EDU）

Elementary Discourse Unit 是 RST 中最小的不可分语义片段，通常对应一个简单句或独立从句，是构成话语树叶子节点的最小单位。

ArcDeck 把每个段落当作 EDU 来构造话语树，论文 Figure 3 的可视化都建立在 EDU 之上。

研究动机

把学术论文自动转成演示稿并非简单的摘要任务，现有方法普遍存在三类痛点。第一类是端到端 LLM 直出 HTML/XML 的方案（HTML baseline），上下文窗口吃不下整篇论文，输出只能算"压缩版摘要"，在 GPT-4o 下的 VLM-as-Judge Text Quality 仅 24.0；第二类是 Paper2Poster、PPTAgent 这类按章节独立处理的方案，会把段落切断生成，造成前后页内容割裂、时间线上脱节；第三类是 SlideGen 这类多智能体先抽全局大纲再分发的方案，由于大纲本身是一次性从全文抽取，又会回到"被长上下文淹没"的老问题，NF 评分始终被卡在 80 分附近。三个共性短板是缺乏显式的篇章结构建模、缺少高层意图约束、以及单次规划无法保证叙事连贯。

本文的目标是ArcDeck 的目标是把"论文→演示稿"重新定义为结构化的叙事重建任务，借助三个机制同时解决上述三个短板：其一是用基于 RST 的篇章解析器把段落组织成层次化话语树，保留局部修辞依赖；其二是让承诺构建器生成全局承诺文档，把中心论点、受众、时长等高层约束持久化注入下游；其三是在 Planner/Critic/Judge 之间设计"批评-裁决-修订"闭环，最多三轮迭代精炼大纲，直到叙事流畅度被裁决智能体放行，再交给视觉生成阶段。

与已有工作不同的是，ArcDeck 的切入角度独特之处在于它不是又一个"更大的 LLM + 更聪明的 prompt"方案，而是首次把 RST 话语分析、全局承诺、多 agent 闭环精炼三个本来分散在 NLP、演讲学、Agent 系统的技术显式组合起来；与之配套的 ArcBench 同样新颖，从 994 对候选中精选 100 对 CV/ML 顶会口头报告的作者原稿作为人类参考标准，让"逼近人类水平"有了可比的度量基准。

核心方法

ArcDeck 把流水线拆成三大阶段：预处理、叙事驱动大纲生成、幻灯片生成。直觉上，它先"读懂论文骨架"，再"规划叙事大纲"，最后"生成视觉稿"。预处理阶段用 Docling 与 Marker 把 PDF 拆成 Markdown 文本与按 caption 索引的图/表字典，并构建短引用到全引用的映射；大纲生成阶段先用话语解析器为每节构造一棵二元 RST 树（叶子是段落作为 EDU），再用承诺构建器生成全局承诺（快照、核心内容、讲述契约、叙事脊柱、轻量章节计划），最后交给由 Slide Planner、Narrative Critic、Narrative Judge 组成的三智能体循环，按"对齐承诺 / 全局叙事流 / 章节平衡 / 单页连贯 / 信息冗余"五项准则迭代修订大纲，最多重写 3 次；幻灯片生成阶段先由 Slide Deck Constructor 从 14 套布局模板里挑版式并匹配图/表，再由 Aesthetics Refiner 做图匹配、内容精炼、主色提取与加粗强调，最终用 python-pptx 输出可编辑 .pptx 文件。

核心创新点是把"叙事重建"作为一等公民显式建模，与已有方法存在三重本质区别：1）与 HTML 直出相比，ArcDeck 不是一次性把全文塞给 LLM，而是先用 RST 树把篇章关系外化、再用承诺文档做高层约束，避免长上下文失忆；2）与 Paper2Poster/PPTAgent 的"按章节独立处理"相比，它通过 Global Commitment 把全文核心论点和受众一次性注入所有智能体，让分页生成不再断片；3）与 SlideGen 的"一次性大纲+多 agent 渲染"相比，它引入 Planner-Critic-Judge 闭环，最多三轮互评修订大纲，专门解决"大纲质量本身就是瓶颈"这一被忽视的子问题。论文还在承诺里支持目标演示长度和受众自定义，是首个支持此类定制化的多 agent 方案。

方法步骤详情

预处理输入 PDF，输出 Markdown、图/表 Asset Dictionary 与引用映射（Docling 解析、Marker 渲染、剔除参考文献与附录）。大纲生成输入 Markdown、话语树与全局承诺，输出 JSON Slide Outline，分三步：① 话语解析器（编号 1）按 Table 1 的 8 种 RST 关系把段落 EDU 递归聚合成二元树；② 承诺构建器（编号 2）产出五字段全局承诺（图 4）；③ 叙事精炼循环（编号 3-5）中 Planner 出初稿、Critic 按五准则反馈、Judge 给 PASS 或 must-fix 列表，必要时 Planner 重做，至多 $N=3$ 轮。幻灯片生成输入 Outline、Asset Dictionary、全局承诺，输出 .pptx：Slide Deck Constructor（编号 6）从 14 套模板选布局；Aesthetics Refiner（编号 7）四步精修后用 python-pptx 渲染。

技术新颖性

技术新颖性体现在四个维度：1）首次把 RST 话语解析显式接入论文-演示稿任务，让段落之间的修辞关系（Elaboration、Joint 等）成为可解释的规划先验，而不是被黑盒 LLM 隐式处理；2）首次引入 Global Commitment 这种"高层约束文档"作为持久化条件信号，把目标受众、时长、章节优先级等信息固化在所有下游智能体共享的状态里；3）首次在演示稿大纲生成任务上设计 Planner-Critic-Judge 闭环，最多三轮精炼且给出 must-fix 严重度分级，结构上借鉴了 Anthropic Constitutional AI 的思路但目标不同；4）构建 ArcBench，从 994 对 ICML/ICLR/NeurIPS/CVPR/ICCV/ECCV 候选中按"口头报告+至少 3 图 3 表"两层过滤筛选 100 对，首次让"作者原稿"成为可比的黄金标准。Figure 9 的 Token 用量分布显示，大纲阶段约占总 token 的 60.6%（128.5K vs 83.3K），说明其把算力主要花在叙事规划而非视觉渲染，与方法定位一致。

**Figure 3**: Example Discourse Trees from Secs. 1 & 3 of this paper.

**Figure 4**: Global Commitment Example.

实验结果

叙事连贯（Table 4a）：ArcDeck 在 6 个评判组合下全面跑赢基线，vs PPTAgent 胜率 $95\%$–$100\%$，vs P2Poster $62.4\%$–$97.6\%$，vs HTML $76.3\%$–$92.0\%$，vs SlideGen $48.5\%$–$81.0\%$；NF 评分三模型下分别 $91.39$ / $62.78$ / $89.00$。内容覆盖（Table 3）：Story 横扫三模型（$95.41$ / $95.46$ / $95.69$），Qwen3-VL 下 Hard $+6.65$、Depth $+3.43$。文本质量（Table 5）：ROUGE-L 在 GPT-4o 下 $84.8 \times 10^{-3}$（最高）、Qwen3 下 $156.0 \times 10^{-3}$（最高）。Figure 7 显示其不像 PPTAgent 机械复读小节顺序，Figure 8 证明 DP 与 CB 都不可缺；Table 4b 显示其相对 AP 选择率 $35.7\%$–$48.1\%$，仍低于人类 $50\%$ 基线。

**Table 2**: Summary of Evaluation Metrics.

**Table 4**: VLM Pairwise Preference (A/B Test).

**Table 5**: Automated Metrics Evaluation.

**Figure 8**: Qualitative Ablation Study.

查看结构化数据

任务	指标	本文	基线	提升
论文-演示稿生成（GPT-4o backbone）	VLM-as-Judge Narrative Flow (1-100)	62.78	SlideGen 41.40 / P2Poster 40.71 / HTML 19.51 / PPTAgent 25.75	+21.38 vs 最强基线（SlideGen）
论文-演示稿生成（GPT-5 backbone）	VLM-based Q/A Hard 准确率(%)	85.60	SlideGen 86.00 / P2Poster 66.40 / HTML 80.00 / PPTAgent 32.00	与最强基线持平（-0.4），但比 P2Poster 高 19.2
论文-演示稿生成（Qwen3-VL backbone）	VLM-based Q/A Depth 准确率(%)	66.70	SlideGen 63.07 / P2Poster 54.51 / HTML 61.77 / PPTAgent 25.12	+3.63 vs 最强基线（SlideGen）
A/B 偏好 vs P2Poster	胜率(%, GPT-4o 评判)	84.0	P2Poster 16.0	+84.0 百分点
A/B 偏好 vs PPTAgent	胜率(%, Qwen3 评判)	100.0	PPTAgent 0.0	+100 百分点（绝对优势）
文本覆盖率（GPT-4o）	ROUGE-L ×10⁻³	84.8	P2Poster 53.8 / SlideGen 45.2 / HTML 33.6 / PPTAgent 34.6	+31.0 vs 最强基线

局限与改进

作者承认的局限主要有三点：其一，ArcBench 当前仅覆盖 CV/ML 顶会论文（ICCV/CVPR/ECCV/ICML/ICLR/NeurIPS 六个会议，2022-2025），跨学科泛化尚未验证，作者明确将"扩展到其他科学领域"留作未来工作；其二，100 对精选数据集虽然保证质量，但相对 994 对候选池的覆盖率有限，且聚焦在"口头报告+至少 3 图 3 表"的过滤条件可能让某些类型论文（如纯理论 NLP）落选；其三，作者在 Table 4b 的"vs AP"测试中承认，所有自动方法的胜率都低于 50%，即便 ArcDeck 也是 35.7-48.1%，说明距离人类水平仍有可观察的鸿沟。从独立视角看，Figure 9 显示大纲生成阶段 Token 消耗高达 128.5K，是滑动片生成（83.3K）的 1.5 倍，意味着该方法对长论文的算力成本仍然偏高；论文未公开完整推理成本与延迟数据；RST 话语解析器依赖 LLM 一次性产出，没有给出对解析错误率的鲁棒性分析，承诺文档里的"目标长度"等超参也未做消融实验。

独立分析的弱点

独立观察的弱点有四点。其一是 LLM 驱动的 RST 解析本身可能出错，目前没有对 discourse tree 质量的独立审计，若 parser 给错关系，整套下游规划都会跑偏，改进方向可加入 parser 自检或回退到安全默认结构；其二是 Narrative Refinement Loop 只跑 3 轮（Figure 9），且每次都让 Planner 重新生成大纲，没有"局部修订"机制，对长论文效率偏低，改进方向是引入 diff-based 编辑而非整稿重写；其三是承诺文档严重依赖用户在调用时给出 target audience 与 duration 这两个必填字段，对自动化场景不友好（缺省时承诺构建器退化为通用模板），改进方向是引入默认受众启发式；其四是 Table 4b 的 vs AP 胜率从未超过 48.1%，视觉质量（Visual Thematic）在 GPT-5 backbone 下为 83.67，反而低于 SlideGen 的 84.83，说明模板视觉风格仍有提升空间，改进方向是引入风格迁移或参考图。

未来方向

作者提出的未来方向集中在两点：把 ArcBench 扩展到非 AI 学科（如数学、物理、生物医学），验证跨领域泛化；以及把论文级演示稿推广到会议级 talk 录制、播客脚本等更广义的"叙事生成"任务。基于成果自然延伸的方向有三个：1）把 ArcDeck 的 RST+Commitment+Refinement 范式迁移到研究综述自动生成、博客文章改写等其它"长文→结构化输出"场景；2）引入用户反馈的在线学习机制，让 Narrative Judge 的打分权重随用户偏好演化；3）探索 RST 解析的轻量化方案（如蒸馏到小模型），把 Figure 9 中 128.5K 的 Token 开销显著降低，从而支撑更大规模数据集的评估。

复现评估

论文在复现友好性上表现良好：ArcDeck 代码与 ArcBench 数据集均开源，GitHub 仓库地址 https://github.com/RehgLab/ArcDeck 与项目主页 https://arcdeck.org/ 同时公布；基线系统 HTML/Paper2Poster/PPTAgent/SlideGen 全部使用官方实现；生成 backbone 选用 GPT-4o、GPT-5、Qwen3-VL-32B 三个公开模型，评判模型同时引入闭源 GPT-5 与开源 Qwen3-VL 缓解单模型偏差；所有 Q/A 与 A/B 实验重复 11 次取平均或多数投票，统计上较稳健。难度集中在三方面：1）端到端 Token 消耗显著（图 9 显示 211.8K 总 Token），单篇论文 API 成本偏高；2）RST 解析依赖 SOTA LLM 而非专用模型，需要具备相应 API 配额；3）ArcBench 的 994 对原始池虽全部释放，但精选 100 对的过滤脚本与人工标注细节需要仔细复现。

ArcDeck：基于叙事驱动的论文到演示稿生成框架 Narrative-Driven Paper-to-Slide Generation via ArcDeck