SuperAPI AI 工具集
合作ENAI 行业资讯收藏
全部工具AI智能体EvoPresent

EvoPresent

EvoPresent 是论文《Presenting a Paper is an Art: Self-Improvement Aesthetic Agents for Academic Presentations》（ICLR2026）的官方代码库，项目由 UCSB-AI 团队开发。它是一套面向学术演示（PPT/幻灯片）生成的多智能体框架，围绕论文内容自动完成内容提取、语音生成、故事线与脚本构建、图像生成与知识检索增强、幻灯片设计与渲染，并通过内置的美学检查器 PresAesth 对初始幻灯片进行评估与调整，实现迭代式自我改进。项目同时提供 PresAesth 美学模型的训练基础设施、演示文稿视频生成能力（含口型动画与 TTS 配置）以及 EvoPresent Benchmark 评测数据集，适合研究人员与开发者在学术汇报、论文讲解等场景中探索自动化、高质量的演示生成方案。

访问官网

工具介绍

项目定位

EvoPresent 是论文《Presenting a Paper is an Art: Self-Improvement Aesthetic Agents for Academic Presentations》的官方代码库，标注为 ICLR2026，由 UCSB-AI 团队发布。项目聚焦于学术演示（presentation）的自动生成与优化，采用自我改进的美学智能体（Self-Improvement Aesthetic Agents）思路。

主要能力

根据项目说明，EvoPresent 的智能体流程包括以下几个环节：

  • 内容提取与语音生成；
  • 构建故事线与脚本；
  • 使用图像生成与知识检索进行内容增强；
  • 设计与渲染幻灯片；
  • 由美学检查器评估初始幻灯片并给出调整建议；
  • 通过 PresAesth 模型引导智能体框架进行迭代式自我改进。

PresAesth 基于 Qwen2.5-VL-7B-Instruct 微调，用于演示美学评估任务，训练任务包括打分（scoring）、缺陷调整（defect adjustment）和比较（comparison），训练数据为人类偏好美学数据集。

使用方式

项目提供了安装与推理指引：

  • API 安装方面，推荐在文本与图像提取阶段使用 gpt-4o-2024-08-06 与 gpt-4.1-2025-04-14；幻灯片生成阶段推荐 deepseek-chat/deepseek-reasoner、gemini-2.5-pro 与 claude-sonnet-4-20250514。
  • 在 evopresent/ppt/gen_pptx_code.py 中推荐 temperature 为 0.6–0.8，可按不同模型调整。
  • 快速推理：在 {dataset_dir} 下创建名为 {paper_name} 的文件夹，将论文以 paper.pdf 放入其中。
  • checker-scope 控制版式检查范围：all（检查所有幻灯片）、images（仅检查含图像/表格的幻灯片）、text（仅检查纯文本幻灯片）。style 指定演示主题与视觉风格（如配色、字体、留白、动画等），例如 tech_dark 为深色科技风格。Evopresent/evopresent/styles 中提供多种演示样式模板。
  • 演示视频生成部分，输入输出目录相关参数包括：--html-dir（演示 HTML 文件目录）、--script-json（每页脚本 JSON 文件）、--ref-face（用于生成面部动画的参考人脸图路径）、--ckpt-path（模型权重文件，如 float.pth）、--output-dir（音频与视频输出目录）、--final-video（最终合成视频保存路径）。
  • TTS 配置参数包括：--tts-backend（在 megatts3 与 OpenAI 之间选择）、--openai-api-key（使用 OpenAI TTS 时所需）、--openai-voice 与 --openai-speed（OpenAI TTS 的语音与语速参数）、--voice-wav（选择 megatts3 后端时使用的参考 WAV 文件）。
  • 视频参数包括：--frame-width 与 --frame-height（视频中每页幻灯片尺寸）、--margin-x 与 --margin-y（视频画面中人脸位置的边距）。

演示生成选项与训练

关于 TTS，项目说明指出若追求速度推荐使用 OpenAI TTS，语音选择请参考 OpenAI 官方文档；若需要个性化语音，可使用 MegaTTS3 的语音克隆工具模仿自己的声音，或在 Google Drive 文件夹中查看若干预设语音。

PresAesth 训练部分包含基于 Qwen2.5-VL-7B-Instruct 的美学评估模型训练基础设施，命令包括：先安装 uv（pip install uv），进入 train 目录执行 bash ./setup.sh；通过编辑 .env 文件配置 API 密钥（cp env-template .env）；训练时执行 source train_env/bin/activate 与 bash ./run.sh；评估与推理执行 python eval.py 与 python inference.py。

评测数据集

项目已发布 EvoPresent Benchmark 评测数据集（托管于 Hugging Face）。由于潜在版权限制，图像不能直接再分发，但可通过元数据中提供的链接访问。项目还提到参考了 open-r1-multimodal、Paper2Poster、Float、MegaTTS3 的代码与数据，并提供了引用说明。

适用场景与限制

适用场景主要是学术演示自动生成、论文讲解视频制作、演示美学评估模型训练与研究。限制方面，项目依赖外部大模型 API（如 OpenAI、DeepSeek、Gemini、Claude）与 TTS 服务，需要相应的 API 密钥；视频生成部分涉及 FLOAT、MegaTTS3 等组件的额外环境配置；评测数据集的图像受版权限制无法直接再分发。其他未在资料中说明的功能、收费或平台信息暂未提供。

同类工具

查看分类