¿Qué es Palette y por qué las presentaciones suponen un reto para los modelos pequeños?
Pedirle a un modelo de frontera una presentación suele generar resultados uniformes con un estilo estandarizado que no coincide con las plantillas corporativas. Qwen 3.8 27B en mi portátil demuestra la potencia de la ejecución local, pero los modelos abiertos pequeños suelen fallar al maquetar diapositivas, provocando títulos superpuestos o texto desbordado. Palette aborda esta limitación fine-tuneando un modelo de 20 mil millones de parámetros.
El proyecto entrena una arquitectura de pesos abiertos utilizando datos sintéticos basados en el lenguaje de diseño de IBM Sebastian Raschka Lanza Curso Práctico sobre Modelos de Razonamiento, permitiendo que la IA mantenga la coherencia tipográfica y visual. De esta manera, las organizaciones conservan la propiedad de sus datos y ejecutan los procesos en su propia infraestructura.
¿Cómo colaboran el rol del diseñador y el codificador en el flujo?
Palette divide el flujo de trabajo en dos funciones especializadas gestionadas por un único adaptador LoRA. El diseñador lee el plan inicial y genera un resumen estructurado en JSON que especifica la paleta, la tipografía, la disposición, el contenido exacto y la justificación del diseño.
El codificador toma la especificación de cada diapositiva de forma independiente y redacta el código JavaScript en pptxgenjs encargado de dibujarla. Al separar el juicio editorial de la precisión geométrica, el codificador procesa las diapositivas en paralelo, acelerando notablemente la fase de maquetación.
¿Cómo se construyen los conjuntos de datos sintéticos y el arnés de verificación?
La falta de un corpus público de diseño obligó a generar conjuntos sintéticos mediante un modelo profesor avanzado guiado por recetas y razonamientos contrafactuales. Cada cubierta generada es renderizada y validada por un sistema automatizado que corrige los errores y retroalimenta el entrenamiento con mejores ejemplos.
Para garantizar resultados fiables, Palette procesa todas las diapositivas a través de un arnés de comprobación y reparación antes de entregar el archivo final. StateBench: Evaluando la Persistencia de Estado ilustra cómo evaluar procesos complejos en los modelos, un principio similar al que utiliza este arnés para detectar solapamientos y corregir código de manera segura.