El objetivo final de Slide Creator es cerrar la brecha entre la creatividad impulsada por la IA y el mundo rígido y determinista de Microsoft PowerPoint. Esto requiere una comprensión profunda, basada en la investigación, de laXML abierto de Office (OOXML)especificación: el estándar ISO/IEC 29500 que define el formato `.pptx`.
1. La arquitectura nativa Anchor™
La mayoría de los "exportadores de PPTX" tratan a PowerPoint como un contenedor "tonto", colocando elementos como imágenes flotantes o formas no estándar. Nuestra investigación fue pionera enArquitectura nativa de Anchor™, lo que asegura que:
Cada cuadro de texto es un PowerPoint nativo ``elemento.
Cada gráfico es un ` nativo respaldado por Excel`objeto.
Cada punto de anclaje se calcula matemáticamente para evitar cambios en el diseño cuando se abre en diferentes versiones de PowerPoint (2016-365).
2. Resolver la brecha "no determinista"
Los modelos de IA no son deterministas; no siempre generan exactamente las mismas coordenadas. OOXML, sin embargo, es estrictamente determinista. Nuestra investigación sobreTraducción de esquemas intermediacrea una "Capa de búfer" donde la intención del diseño generado por IA se valida y se "ajusta" a una cuadrícula rígida compatible con OOXML antes de ensamblar el archivo.
3. Ensamblaje XML de alto rendimiento
Generar una plataforma de 100 diapositivas con gráficos vectoriales complejos e imágenes de alta resolución puede resultar costoso desde el punto de vista computacional. Hemos desarrollado un alto rendimiento.Generador XML de transmisión por secuenciasen Rust que:
Reduce el tiempo para ensamblar un archivo `.pptx` en un 85 % en comparación con las bibliotecas estándar de Python o Node.js.
Minimiza la sobrecarga de memoria al procesar diapositivas XML en fragmentos en lugar de cargar el documento completo en la RAM.
4. Deriva del diseño de ingeniería inversa
Una de nuestras principales líneas de investigación es el "Análisis de deriva". Abrimos mazos generados mediante programación en varios entornos (Windows, macOS, Web, dispositivos móviles) y utilizamos visión por computadora para detectar cambios mínimos en la ubicación de los elementos. Estos datos se retroalimentan a nuestro ciclo de entrenamiento para mejorar la precisión de nuestros modelos de diseño generativo.
5. Futuro de OOXML: Extensiones nativas de IA
Estamos abogando y desarrollando extensiones "nativas de IA" para el estándar OOXML que permitirían una mejor incorporación de metadatos, permitiendo a una IA "recordar" por qué colocó un elemento específico en un lugar específico, facilitando una colaboración más fácil entre humanos y máquinas.
Para ver cómo aplicamos las reglas de marca a estos diseños, visite nuestroSemántica del diseño page.