PosterMELD：面向可控设计多样性与可编辑印刷成品的多智能体论文转海报生成 PosterMELD: Multi-Agent Paper-to-Poster Generation for Controllable Design Diversity with Editable Print-Ready Outputs
模板先行的多智能体流水线，输出可编辑、可印刷、设计可控的学术海报。
前置知识
多智能体协作流水线（Multi-Agent Pipeline）
把一个复杂任务拆成若干子任务，由多个基于大语言/视觉模型的智能体（agent）分别承担，每个 agent 配有一份可复用的技能规范（skill specification），定义任务指令、期望状态、输出要求、校验准则与失败处理。各 agent 通过共享的强类型海报状态（Shared Typed Poster State）接力推进，而评审 agent 以循环方式运行直到通过或预算耗尽。
PosterMELD 的全部创新都建立在五个智能体（Content/Template/Layout/Visual/Review）的分工之上，理解 agent 边界、状态传递和有界修复机制才能看懂它为何能做到模板先行和低成本。
容量感知槽位契约（Capacity-aware Slot Contract）
从模板每个区域（槽位）抽取的一组约束：归一化几何坐标、面积、阅读顺序、所在车道、邻接关系，以及突出度、语义角色、目标字符区间、要点预算、最小视觉占地、文本/图/表兼容性。它把版面的容量在写作前就显式化，让内容选择与写作依据已知几何进行，而非事后挤压。
槽位契约是本文区别于所有先前方法的核心机制：先定结构、再写内容，从根上避免了溢出、重叠、文字过小等问题，也是实现 PRR 大幅领先的关键。
印刷就绪率 PRR（Print-Ready Rate）
衡量端到端有效性的指标。对 N 个请求，$c_i\in\{0,1\}$ 表示第 i 个请求是否产出方法原生声明且可标准渲染的成品，$g_i\in\{0,1\}$ 表示该成品是否通过全部印刷就绪判据（无溢出、无重叠、无越界、文字不致过小、资源完整、无确认的事实错误）。PRR 定义为 $\text{PRR}=\frac{1}{N}\sum_i c_i g_i$，用同一份请求级分母保证执行失败不会被条件质量分掩盖。
PRR 与条件化的 CHE 美学评分配合，是本文评价框架的灵魂。先前工作只对完成品打分，把失败请求藏起来；不掌握 PRR 的定义就无法理解 81.3% 相对 24.2% 这种对比为何重要。
确定性门 + VLM 评审（Deterministic Gates & VLM Review）
评审 agent 的两类互补检查：确定性门核对成品是否可重开、PPTX→PNG 可渲染、画布边界、分节几何、重叠、车道溢出、最小字号、资源完整性、块占用等可用规则判定的项；VLM 评审则检视图表清晰度、视觉层级、依据、阅读顺序、显眼留白或拥挤等感知级问题。最终门综合两份报告，且 VLM 不能推翻确定性失败。
这一双层评审是有界修复（Bounded Repair）的触发条件，理解它的判据分工才能理解为何修复只作用于失败方面、为何能压低单请求成本。
CHE 美学评分（Craftsmanship–Harmony–Expressiveness）
参考 RealGen 的美学评估，对每张渲染海报按三个固定维度打 1–5 分：视觉工艺（C，逐元素图表/文字的产质量量）、风格和谐（H，构图的一致性与吸引力）、表现独特性（E，超出模板套路的创新度），三维度取均值即为 CHE。CHE 条件化于印刷就绪——不可用的成品不参与 CHE，而由 PRR 单独计账。
CHE 是论文主表中除 PRR 外的另一核心指标，3.247 这个数字以及它与人工参考 3.287 的差距，是评估海报美感的关键证据。
Ward 层次聚类挖掘模板库
把每张作者海报转化为定长描述符：全局几何、块数、平均块面积、12×12 占用网格、块形状统计、估计行列结构、最大块尺寸比；对占用网格段上权后做 z-score 标准化，用 Ward 层次聚类按纯空间结构（忽略语义与文字）分组，距簇心最近的那张海报即作为代表模板。
模板库的 24 个拓扑（16 横版、8 竖版，4–10 槽位、均值 6.1）是整条流水线的基础设施，理解它的挖掘方式才能理解槽位契约从何而来。
研究动机
科学海报是费时却仍是标准的展示媒介：要把声明、证据与视觉材料在一张大画布上按场地、朝向与密度约束重新组织，且要改到印刷前最后一刻。现有专用系统已从早期面板排布、内容抽取模型进化到多模态智能体管线（Paper2Poster、P2P、PosterGen、Codex+Skill 等），但两大障碍仍在。第一是印刷就绪性与可编辑性：内容先于最终几何写定时，下游模块只能缩、截、回流，造成溢出、元素重叠、越界、文字过小或资源缺失；直接图像生成会把图表表格压平、导出后无法逐元素修订；而编码智能体流水线（如 Codex+Skill）单请求成本高达 $10.78。更糟的是先前基准只对完成品打分，把请求级失败藏起来，从不报告缺陷率。第二是可控设计多样性：重跑随机管线得到的变体可能只是少了证据、字号更小或排版崩坏，并不能保证有用的差异。
本文的目标是本文要造一条印刷就绪的多智能体流水线，在可控设计多样性的前提下产出可编辑成品。对每个通过评审的请求，模板条件的容量规划与技能引导的五个智能体要产出一份原生可编辑的 PPTX 文件及其 PNG 渲染；流水线框架（Pipeline Harness）要把 VLM 反思与确定性门、有界修复耦合起来，并记录来源与成本。此外要构建一个结构化模板库，让槽位契约（阅读顺序、突出度、字符与视觉预算、资源兼容性）在渲染前就约束写作，而风格与密度作为正交控制。最后要建一个大规模基准与以有效性为中心的评测协议，把请求级有效性、忠实内容、原生可编辑性与设计控制联合评估，覆盖多来源、多领域。
与已有工作不同的是，独特切入角度是「模板先行」原则：结构在内容写作前就固定。先前范式要么用编码智能体生成多样但昂贵（Codex+Skill）的海报，要么用直接图像生成产出单一、不可编辑的设计；二者都没有同时评估请求级成品有效性、原生可编辑性、对设计配置的显式控制与每请求成本。PosterMELD 用从真实海报挖掘的模板库把每块区域的容量通过槽位契约显式暴露，让要点选择、写作与视觉分配依据已知几何进行，而非事后把固定摘要挤进版面；再把确定性门、VLM 评审与有界修复接入流程，并冻结评测官，从而首次把这四个轴在统一协议下联合评估，621 篇基准比此前最大的任务专用集（P2PEval 121 篇）大 5.1 倍。
核心方法
直觉上，PostermELD 认为「先把版面容量算清楚，再写内容」远胜「先写再挤压」。整体是一条模板先行的多智能体流水线，由两部分构成：一是从作者海报挖掘出的结构模板库并增强为容量感知模板；二是依容量规划、写作、评审、修复的生成流水线。请求携带一篇 PDF 与一个控制元组，成功则返回一份可编辑 PPTX、其 PNG 渲染与来源清单；设计变体通过独立请求改换模板、风格、密度、生成资产设置或种子得到。流水线含五个技能引导智能体：Content、Template、Layout、Visual 四个负责起草，第五个 Review 把渲染、评审、修复包成循环。围绕五 agent 的 Pipeline Harness 冻结配置与种子、路由失败到允许动作、执行预算、校验最终成品并记录调用、延迟、成本、回退与验收状态，使每个验收产出可追溯到其控制元组与执行记录。
核心创新在于「容量感知的槽位契约」加上「有界修复」。模板库中每个区域都被赋予突出度、语义角色、目标字符区间、要点预算、最小视觉占地、文本/图/表兼容性等契约字段，使要点蒸馏与区域感知写作在目标容量处写内容，而不是先写一份固定摘要再依版面缩小——这从根上消除了溢出与字号过小。有界修复则把失败映射到固定动作集（rewrite 改写、reflow 重排/重分区、resize 调字号或视觉缩放、rerender 重渲），且作用域限定在失败方面、只改先前有效的块，既避免牵一发动全身，又保证 VLM 无法推翻确定性失败。这与先前「无容量规划、整体重试或单点重写」的做法有本质区别，是把 81.3% PRR 与 $0.38 单请求成本同时拿到的前提。
方法步骤详情
第一步构建模板库：用 MinerU 抽取作者海报得细粒度切片（附 OCR 与归一化 [0,1000] 边界框），由 VLM 合并为 Title/Method/Results 等完整块；对纯空间描述符（12×12 占用网格段上权）做 z-score 标准化后用 Ward 聚类，取距簇心最近者为模板，校验后得 24 个拓扑（16 横版、8 竖版，槽位 4–10、均值 6.1），再为每块补槽位契约。第二步解析论文得事实表示 $F(P)$。第三步四 agent 起草：Content 在聚合预算内写要点；Template 在最终文本前解析模板与风格，给出每区文本/要点/图/表预算；Layout 依契约按语义角色分配要点与视觉并精修几何；Visual 尽量以原生 PPTX 元素输出。第四步 Review agent 渲染草稿跑确定性门与 VLM 评审，把问题归一化为结构记录，触发有界修复（rewrite/reflow/resize/rerender，仅作用于失败方面）直到通过或预算耗尽。第五步 Pipeline Harness 验收，导出可编辑 PPTX+PNG+来源清单。
技术新颖性
新颖性体现在三点集成。其一，把多智能体组合、可编辑输出、结构化版面与可控设计多样性通过「模板先行」统一起来——结构先于内容固定，容量在写作前就确定。其二，结构化模板库：从真实海报按纯空间聚类得到 24 个拓扑，槽位契约把阅读顺序、突出度、字符/视觉预算、资源兼容性作为前置约束，风格（3 档）与密度（3 档）以及生成资产作为正交控制，组合出 864 种显式控制组合（不含种子变化）。其三，大规模基准与以有效性为中心的协议：621 篇覆盖 14 个来源、10 个领域，每篇配作者海报，1398 张渲染有印刷就绪标签、661 张有条件美学标签；提出请求级 PRR 把完成与有效性分离，并用冻结 GPT-5.5 评测官（PRR 准确率 84.0%、κ=0.683）与人工盲评同协议执行，使失败不再被条件分掩盖。
实验结果
在 621 篇上 PosterMELD 取 81.3% PRR，为 P2P（24.2%）的 3.4 倍、PosterGen（15.8%）的 5.2 倍，Paper2Poster 仅 0.2%；距 GPT-Image-2(85.2%)、Codex+Skill(82.8%)差 1.5–3.9 点。在≥2 份印刷就绪成品的生成方法中条件 CHE 最高（3.247），工艺分 3.455 距人工参考 3.604 仅差 0.149；GPT-Image-2 因不可编辑栅格 CHE 仅 2.698 为此类最低。Universal 4.456 在开源系统领先并拿下 10 维中 8 维。成本 PosterMELD $0.38/请求，约为 Codex+Skill $10.78 的 1/28；GPT-Image-2 最低 $0.18。BERTScore 只测文本相似竟把 P2P 排到人工参考之上，故仅作内容诊断，以 PRR 度有效性、CHE 度美学。评测官 GPT-5.5 以 PRR 准确率 0.840、$\kappa$=0.683、r=0.592、MAE=0.361 居首而被冻结。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| 论文转海报：印刷就绪率 PRR | PRR (%)，621 篇，冻结 GPT-5.5 评测 | 81.3% | P2P 24.2%；PosterGen 15.8%；Paper2Poster 0.2% | 分别为 P2P 的 3.4 倍、PosterGen 的 5.2 倍；开源系统内大幅领先，且保留原生可编辑性 |
| 论文转海报：条件美学 CHE | CHE（1–5），条件于印刷就绪成品 | 3.247（C 3.455 / H 3.328 / E 2.959） | PosterGen 3.163；P2P 3.071；GPT-Image-2 2.698；人工参考 3.287 | 在≥2 份印刷就绪成品的生成方法中最高，工艺分距人工参考仅差 0.149 |
| 论文转海报：内容质量 Universal | Universal（0–5，缺失记 0），10 维 | 4.456 | P2P 4.033；PosterGen 3.901；GPT-Image-2 4.948；人工 4.995 | 开源系统最高，10 维中领先 8 维 |
| 论文转海报：每请求成本 | USD/请求（含失败） | $0.38 | Codex+Skill $10.78；P2P $0.35；GPT-Image-2 $0.18 | 约为 Codex+Skill 的 1/28，在保留可编辑与高 PRR 的同时成本可控 |
局限与改进
作者承认流水线依赖外部基础模型与解析器，故对异常版面的解析错误会传播进海报；自动门只认证几何与可读性而非科学正确性，最终核验仍须作者完成。冻结评测官可能与生成器共享偏差，虽用人工共识校准并跨四族评测官比较，但风险只能量化、不能消除。挖掘库覆盖常见学术结构而非所有设计文化，竖版拓扑远不如横版成熟；生成的宣传/背景资产即便有来源标注，仍带幻觉风险。此外 CHE 条件于 PRR，须与 PRR 联读；多样性分析为定性，只覆盖观察到的控制条件变化而非标量多样性增益。我的补充观察：Universal 与 BERTScore 与 PRR/CHE 排序不一致，说明「内容更像要点」并不等于「成品可用或美观」，读者须按轴分别解读；评测官与生成器同为 GPT 系，存在自评偏置隐患。
独立分析的弱点
其一，模板库仅 24 个拓扑且竖版偏弱，遇到非常规设计（如海报式信息图、跨文化排版）时适配力有限——可扩库并引入按领域/学科分层模板。其二，自动门只管几何可读性而无法判定科学正确性，事实错误仅靠 VLM 粗查与禁止生成资产含测量值——可引入引用级事实校验或论文-海报对照的可追溯链接审计。其三，评测官与生成器同属 GPT 系、且 CHE 条件于 PRR，自评偏置难以彻底排除——可引入非 GPT 族或多模态人工交叉标注，并报告 PRR×CHE 联合区间。其四，多样性评估停留在定性，未给标量度量——可定义基于布局/调色/图文分配的距离度量做量化多样性分析。其五，对公式密集、表格密集论文的处理深度未充分量化——可补充按内容类型分层的失败率剖析。
未来方向
作者方向：扩展竖版与更多设计文化的模板库、加强生成资产的幻觉控制、引入人工共识外的评测官交叉验证以压低自评偏置。基于本成果可延伸：其一，把槽位契约推广到幻灯片、双栏长文、技术报告等其他「先结构后内容」场景，验证模板先行的普适性。其二，把有界修复的固定动作集升级为可学习的修复策略（强化学习或自举技能库），在更长预算下进一步提升 PRR。其三，为可控多样性引入标量度量与检索式变体生成，让用户用自然语言指定「更紧凑/更图重」等约束。其四，把请求级 PRR 协议迁移到其他文档生成任务，建立跨任务的「有效性优先」评测标准。
复现评估
复现性整体较好：代码与资源已发布于 Shannon4Science/PosterMELD；基准 621 篇（AAAI 2026 101、CVPR 2025 100、NeurIPS 2025 200、再标注 P2PEval 121、Paper2Poster 99）覆盖 14 来源、10 领域，每篇配作者海报，并有公开清单记录来源、许可、校验和、页数、领域与配对，做了去重与泄漏审计；模板挖掘语料与基准论文不重叠。评测协议明确：所有智能体管线（Paper2Poster/P2P/PosterGen/PosterMELD）统一用 GPT-4o，Codex+Skill 用 GPT-5.4 低推理，解析统一用 MinerU；评测官 GPT-5.5 在全基准前冻结。挑战在于：端到端依赖商用闭源模型（GPT-4o/5.5、Gemini 等）与解析服务，单请求成本虽 $0.38 但 621 篇全跑仍需可观预算；人工标注（4 名标注者、1398 张渲染）难以低成本复制；非开源系统（GPT-Image-2、Codex+Skill）只能按描述复现。
论文图表
对比 P2P（不可编辑、留白）、PosterGen（布局受限、内容遗漏或拥挤）、Codex+Skill（高技能成本）、PosterMELD（可编辑、紧凑、可读）四类方法在同一篇论文上的海报输出，并用红色标记各自示例性缺陷（非聚合比率）。
一张图直观说明本文要解决的两个障碍——印刷就绪/可编辑性与设计多样性，并定位 PosterMELD 相对三类竞品的差异，是理解动机的最佳入口。