核心摘要：2026年3月18日，中国科学院软件研究所发布开源第二代PPTAgent——DeepPresenter。这个仅9B参数的模型在关键评测中以4.19分与GPT-5（4.22分）表现相当，却能在单张3090或MAC上本地部署。它通过构建智能体沙箱环境，让AI拥有了研究内容的“手”和审视排版的“眼”，实现了从“盲写”到“智能创作”的质变。
引言：AI做PPT的“盲写”困局
体验过市面上各种AI生成PPT工具的人，往往都会遇到同样的痛点——排版崩坏、内容空洞、经不起推敲。一份看似结构完整的演示文稿，仔细检查却发现标题被图片遮挡、配色混乱、文字内容充满“车轱辘话”和事实错误。为什么会这样？因为目前的通用大语言模型（LLM）写PPT，本质上是在对话框里**“盲写”**代码或文本。它们既没有真正的“手”去查阅权威文献，也没有真正的“眼睛”去审视自己排版出来的最终效果。这种脱离真实环境的生成方式，注定了产出的不专业和不可靠。今天（2026年3月18日），中国科学院软件研究所中文信息处理实验室给出了答案——开源第二代PPTAgent：DeepPresenter。这是业界首次将幻灯片智能体模型与完整的智能体沙箱环境一同开源，更能支持在单张3090或MAC上一键部署。它彻底重构了AI制作PPT的逻辑，让智能体不仅能“深度探索”，还能“亲眼所见”。核心破局点：给智能体装上“眼睛”与“手”
DeepPresenter放弃了传统的“语言模型直接生成”路径，而是将智能体置入了一个全功能的Docker沙箱环境（Shared Agent Environment）中，直接切中目前AI办公的两大痛点。关键洞察：DeepPresenter的创新不在于让模型“更聪明”，而在于为其构建了一个能“动手做事”和“亲眼观察”的真实工作环境。这标志着AI智能体从“对话工具”向“数字工作者”的范式转变。痛点一：内容全是“车轱辘话”和幻觉？
解决方案：构建强大的智能体环境，赋予其研究和阅读的“手”。在DeepPresenter中，智能体手握20+种专业工具。它不仅能通过MinerU深度解析复杂的PDF文献，还能实时连接arXiv和Google Scholar进行有据可查的深度调研（DeepResearch），甚至可以直接运行Python代码来绘制数据图表，确保PPT内容的专业度与数据准确性。这意味着，当用户要求生成一份关于“量子计算最新进展”的PPT时，智能体会像研究员一样，先去检索最新的学术论文，提取核心数据和图表，再将其整合到演示文稿中，而非凭空捏造。痛点二：排版错乱、文字挡图？
解决方案：环境感知反思机制（Environment-Grounded Reflection），给它加上“眼睛”。以往的模型不知道自己生成的排版长什么样。而DeepPresenter形成了一套“写→看→改”的视觉闭环。Presenter智能体每写完一页代码，都会调用沙箱内的浏览器将其渲染成真实图片，然后“亲眼”检查这张截图。标题被挡住了？对比度不够？它会像人类设计师一样立即进行自适应调整并回炉重造，直到视觉效果完美。这种基于真实渲染结果的反思能力，是解决AI“审美”问题的关键。案例演示：一行指令的神奇体验
只需一行极其简单的指令，即可体验这种全新的Agentic工作流。智能体会自动分解任务，调用不同工具协作完成。案例1：帮我做一个小米SU7的PPT接收指令后，DeepPresenter会立即启动：Researcher智能体自动检索小米SU7的官方技术参数、媒体报道和高清产品图片；随后交棒给Presenter智能体，根据汽车产品的科技感主题，设计相称的深色商务风格，最终输出一份内容扎实、样式精美的幻灯片。案例2：制作一份4:3幻灯片，以美国自由漫画师视角分享创作《超级战队》与《假面骑士》同人作品的实用技巧，涵盖理解原作、发展风格、捕捉角色、编写故事及建立粉丝社群面对如此复杂、垂直的指令，DeepPresenter依然能精准理解。Researcher会去搜索相关动漫社区的创作指南和风格分析，Presenter则可能选择一种活泼、富有漫画感的视觉主题来呈现内容。案例3：帮我做一份关于罗宾汉（Robin Hood）的介绍PPT，包含历史背景、传奇故事和文化影响对于历史文化主题，智能体展现出的研究能力尤为突出。它能从维基百科、历史数据库和文学评论中提取结构化信息，并配以中世纪风格的插图和排版，使PPT兼具知识性与观赏性。更重要的是，所有生成内容均为.pptx可编辑格式，支持自由修改与二次创作，彻底摆脱类似某些工具那样“生成后无法编辑”的困扰，让PPT创作真正可控、高效、灵活。核心技术：如何炼成“最强PPT智能体”？
DeepPresenter之所以能以9B参数实现“下克上”，核心在于其创新的训练流水线（Pipeline）。团队没有盲目堆砌模型规模，而是在数据质量和训练方法上进行了精密设计。创新点1：数据构建——高多样性任务数据
团队基于PersonaHub与arXiv等多源数据集构建了高多样性的任务数据。通过在指令中显式定义页数限制、长宽比及语言策略等细粒度约束条件，确保模型在训练阶段即建立了对复杂用户意图的深度语义表征。这意味着模型不仅学会“做PPT”，更学会了如何根据“给投资人看的5页英文科技风PPT”与“给学生看的20页中文卡通教学PPT”这类具体指令，做出截然不同的响应。创新点2：外在验证引导——打破自我感觉良好
为了打破智能体“自我感觉良好”的验证偏差（Self-verification Bias），团队引入了独立评审机制。在训练数据合成阶段，由另一个独立模型作为“挑剔的评估者”，专门指出生成产物中的排版错位、逻辑矛盾或信息冗余等缺陷。这种“第三方视角”的反馈，引导智能体在自我迭代中产生更高质量、更符合人类审美的执行轨迹。创新点3：多级轨迹过滤——筛选顶级质量
团队从1,152个初始任务中，经过多轮严格筛选，最终只保留了802条顶级质量的智能体轨迹进行SFT（监督微调）训练。这些轨迹堪称“精英样本”，涵盖了中英双语、多种幻灯片宽高比（16:9, 4:3）及包含复杂约束条件的指令。用最优质的数据喂养模型，是其能力跃升的基础。性能实测：消费级显卡下的极限表现
为了全面验证DeepPresenter的实际效果，研究团队在预留的128个多样化任务上使用PPTEval评估框架进行了系统评测，并与包括GPT-5在内的三种主流幻灯片生成方案进行了对比。核心数据对比
评测结果显示，DeepPresenter-9B在PPTEval上取得了4.19的高分（满分5分），其表现与顶级闭源模型GPT-5（4.22分）几乎持平，并且显著优于其他开源的幻灯片生成方案。PPTEval框架从内容准确性、设计美观度、整体连贯性三个维度进行打分，DeepPresenter在各项上均表现均衡，证明其生成的PPT是真正“能用”且“好用”的成品。成本—性能曲线分析
更值得关注的是，在成本—性能曲线中，DeepPresenter-9B位于前沿的“突变点”位置。这意味着它在性能与所需的计算成本（价格）之间达到了极具竞争力的平衡。换句话说，它用GPT-5几十分之一的算力成本，实现了同等级别的智能表现。性能总结：DeepPresenter-9B以4.19的评分与GPT-5（4.22）打成平手，但其模型规模小、可本地部署的特性，使得个人开发者和中小企业也能在消费级硬件上拥有顶级的AI演示文稿生成能力。这也意味着——在单张RTX 3090甚至苹果MAC设备上，我们就能够本地运行一个媲美顶级闭源模型的PPT智能体，无需担忧数据隐私、API费用和网络延迟问题。部署指南：三步开启本地PPT智能体
DeepPresenter项目已完全开源，部署过程极其简单，欢迎开发者共同构建Presentation Agent的未来。第一步：克隆项目
访问项目GitHub仓库：https://github.com/icip-cas/PPTAgent，使用git命令将项目克隆到本地。git clone https://github.com/icip-cas/PPTAgent.gitcd PPTAgent
随后，根据项目文档准备Python环境及相关依赖。第二步：下载模型
访问HuggingFace模型库：https://huggingface.co/collections/ICIP/deeppresenter，下载DeepPresenter-9B模型文件。团队提供了适配不同硬件的模型版本，确保在单张3090显卡或MAC设备上也能流畅运行。第三步：启动服务
python scripts/launch_service.py
服务启动后，便可通过Web界面或API接口，体验完整的PPT智能体工作流，从深度研究到视觉设计，全部在本地完成。行业影响：AI办公的下一个十年
DeepPresenter的出现，不仅仅是一个工具的升级，更预示着AI办公软件范式的转变。降低专业门槛
非专业用户也能制作出专业级演示文稿。设计能力不再作为难以逾越的技术壁垒存在，创意和内容质量将成为核心竞争力。教师可以专注于课程设计而非排版，市场人员可以聚焦于策略而非美化，每个人都能将精力投入到真正创造价值的工作中。重构工作流程
传统的PPT制作需要经历内容梳理、素材搜集、排版设计、视觉优化等多个独立且割裂的环节。而DeepPresenter将这些环节无缝整合为一个连贯的、智能体驱动的自动化流程。用户只需输入核心主题或上传现有文档，系统便能自动完成从内容结构化、视觉概念设计到页面生成和风格统一等全部步骤，将生产力从重复劳动中彻底解放。加速创新节奏
内容创作时间从“天级”缩短到“分钟级”，让创意快速试错和迭代成为可能。实测数据显示，在传统修改流程中，替换多处产品图片、调整多页版式结构和统一修改整体色调，即使由专业设计师操作，也需要2-3小时。使用DeepPresenter后，同样的修改任务可在15-20分钟内完成，效率提升超过80%。这种速度的跃升，将极大加速产品发布、方案汇报和知识传播的进程。未来展望：从“能用”到“好用”
开源只是起点，DeepPresenter所代表的智能体工作流拥有广阔的进化空间。多模态融合
结合AR/VR技术实现沉浸式演示，用户可以在虚拟空间中与3D化的PPT内容进行实时交互和讲解，彻底改变线上演讲和教学的体验。语音合成与口型匹配技术，可以让AI虚拟形象代为进行演讲。垂直场景深耕
针对医疗、法律、教育、金融等专业领域开发定制化功能与知识库。例如，为医学PPT自动匹配权威解剖图谱，为法律文书生成案例引用和法条索引模板，满足不同行业对准确性、合规性和特殊格式的严苛要求。私有化部署
满足企业对数据安全的绝对需求，支持完全的本地化部署和数据隔离。企业可以将DeepPresenter部署在内网，结合内部知识库进行微调，生成符合企业品牌规范、且绝不泄露敏感信息的内部演示材料。结语：AI不是取代人，而是成为每个人的数字助手
DeepPresenter的发布，标志着AI办公工具从“辅助生成”向“智能创作”的质变。它不再是简单地帮用户“做PPT”，而是真正理解用户意图、研究内容、设计布局、检查优化，像一位专业的数字设计师搭档一样工作。未来三年，不会用AI高效生成PPT的人，可能会在效率竞争中失去优势——这不是危言耸听，而是技术扩散下的必然趋势。而像DeepPresenter这样的开源工具，正在通过降低技术门槛和成本，让每个人都有机会平等地拥抱这个未来，将AI转化为提升个人创造力的强大杠杆。- GitHub链接: https://github.com/icip-cas/PPTAgent
- HuggingFace链接: https://huggingface.co/collections/ICIP/deeppresenter
- 论文链接: https://arxiv.org/abs/2602.22839
