A criação de apresentações de slides sempre foi um desafio para a inteligência artificial. Embora os grandes modelos de fronteira consigam gerar decks visualmente aceitáveis, eles frequentemente sofrem com uma estética genérica e a incapacidade de seguir rigorosamente a identidade visual de uma empresa. Além disso, o processamento de dados sensíveis em nuvens de terceiros é uma barreira para muitas organizações. Para resolver esse impasse, pesquisadores da IBM Research desenvolveram o Palette, um sistema que ensina modelos pequenos a construir apresentações profissionais mantendo a soberania dos dados.
O grande diferencial do Palette, conforme detalhado pelo Hugging Face, é a prova de que modelos de pesos abertos e compactos podem competir com sistemas proprietários massivos. O segredo não está apenas no tamanho do modelo, mas na forma como ele é treinado para pensar. Em vez de tentar gerar um slide de uma só vez, o sistema utiliza um adaptador LoRA em um modelo de 20 bilhões de parâmetros para atuar em duas frentes distintas: como um designer que planeja o conteúdo e como um codificador que executa a geometria visual.
A divisão entre o pensamento criativo e a precisão técnica
Modelos pequenos geralmente falham ao criar slides porque tentam realizar tarefas conflitantes simultaneamente. Eles precisam decidir o que dizer (julgamento editorial) e onde colocar cada elemento (geometria). Sem uma visão espacial real, esses modelos costumam sobrepor textos ou deixar títulos vazarem para fora da tela. O Palette resolve isso dividindo o trabalho. O papel do designer gera um resumo estruturado em JSON, definindo a paleta de cores, o sistema de fontes e a lógica por trás de cada escolha, como preferir um gráfico de barras a uma tabela para destacar uma tendência.
Após o planejamento, entra em cena o papel do codificador. Ele recebe as instruções do designer e escreve o código necessário para desenhar cada slide individualmente. Essa separação permite que o processo de codificação seja executado em paralelo, tornando a geração cerca de seis a sete vezes mais rápida. O modelo não apenas executa o código, mas também processa um raciocínio lógico sobre a geometria, ajustando tamanhos de fonte para garantir que títulos longos não colidam com outros elementos visuais.
Treinamento com dados sintéticos e correção automática
Como não existe um banco de dados público que mostre o passo a passo da criação de slides, a equipe utilizou um modelo mestre para gerar dados sintéticos. Foram criados cerca de mil decks baseados na linguagem de design da IBM. O diferencial aqui é o uso de raciocínio contrafactual no treinamento: o modelo aprende por que uma escolha foi feita e por que outra foi rejeitada. Se um título de 62 caracteres não cabe em uma fonte de 44 pontos, o modelo aprende a reduzir para 36 pontos para manter a harmonia visual.
Para garantir a qualidade final, o Palette utiliza um sistema de verificação e reparo. Cada slide gerado passa por um verificador automático que identifica sobreposições ou erros de layout. Slides problemáticos são corrigidos e o erro serve como um novo exemplo de aprendizado para o modelo. Esse ciclo de feedback contínuo permite que o sistema mantenha a fidelidade visual e de conteúdo, evitando que a IA invente informações que não estavam no material original fornecido pelo usuário.
O que isso muda para você
Para o profissional brasileiro, o Palette sinaliza uma mudança fundamental na automação de escritório. A capacidade de rodar um modelo de 20B em infraestrutura própria para gerar apresentações que seguem exatamente o manual de marca da sua empresa elimina o aspecto de "trabalho genérico de IA". Isso significa que agências de marketing, departamentos jurídicos e consultorias podem automatizar a criação de relatórios visuais complexos sem expor dados estratégicos a modelos externos.
Na prática, o impacto está na eficiência operacional. Em vez de gastar horas ajustando caixas de texto e alinhando gráficos em um template institucional, você poderá fornecer os dados brutos e receber um arquivo pronto para uso que já respeita as regras de design da sua organização. O próximo passo para quem deseja se destacar é começar a estruturar seus próprios ativos de design e bases de conhecimento, pois o futuro da produtividade não será usar a IA que todos usam, mas sim treinar modelos pequenos e especializados na sua própria identidade visual.

