免费模型也能做出惊艳PPT:最该学的不是调参,是配Skill

你也有过这种体验吧？

把任务扔给 AI Agent ，等了三五分钟，出来的东西说能用吧，总觉得差口气。排版像模板填充，逻辑像 AI 写的，视觉就是那种"一眼 AI"的质感——整齐、平淡、没有灵魂。

然后你开始怀疑：是不是模型不行？是不是该换个更强的？

说实话，这种感觉挺操蛋的。花了时间调 prompt 、等输出，结果拿到的是一坨看起来"没错但就是不好"的东西。删也不是，用也不是。

我前两天碰到的这件事，可能会彻底改变你的想法。

两块钱的模型，做了一份让我想删掉的 PPT

事情是这样的。

前两天在写一份教程的时候，顺手用了 Ring-2.6——一个在 OpenRouter 上免费的开源模型。这玩意由 inclusionAI 出品， 1T 参数，在 Agent 执行和工具调用上专门做了优化。当时看到免费就直接上了，连参数都没调。

先让它生成了一个简单的 H5 工具页面，效果还行。

我一想，既然工具页面能跑，不如测测它的上限？把百灵大模型公众号的一篇文章扔给它，让它做份 PPT 。

出来的东西，怎么说呢——

四个字：能用但丑。不对，说"能用"都是抬举它了。

结构平平的，信息堆在一起，视觉上完全没层次。所有文字都差不多大，所有段落都差不多长。你一眼就知道这是 AI 干的——那种毫无惊喜、毫无设计的"AI 味"，像食堂大锅饭，管饱但毫无食欲。

说实话我当时有点想直接删了。费这么大劲调了半天，结果就这？

当时我的判断是：这免费模型，大概率也就这德性了。

但故事到这里还没结束。

同一个模型，同一个素材，换了一个变量，结果全变了

前两天在 GitHub 上翻到了一个东西：guizang-ppt-skill^[1]，歸藏大佬做的， 9.9k 星。

一个专门为 PPT 生成设计的 Skill 。

Skill 是什么？用最直白的话说——它是给模型的任务说明书。告诉模型这类任务该怎么做、用什么布局、输出什么格式。

没有 Skill ，模型只能靠通用经验去猜；有了 Skill ，它就知道：哦， PPT 应该长这样。

我做了三组对比测试，同一篇素材，同一个 Ring-2.6-1T 模型。

A 组：什么引导都不加，让模型自己发挥。 出来的东西：能看，但就是那种"我知道这是 AI 做的"的感觉。信息堆砌，视觉扁平，完全拿不出手。说白了，做出来你都不好意思往群里发——发了人家一眼就能看出来是 AI 糊弄的。

B 组：先让模型做一份执行计划，定好每页讲什么、怎么布局，再动手。 比 A 组明显好不少——结构清楚了，信息层次也出来了。但视觉风格还是比较普通，还是"模板味"重。比 A 强一档，但离"能打"还差着一口气。这口气，怎么都补不上，急人。

C 组：先规划，再配上 guizang-ppt-skill 执行。 Skill 一介入，模型就知道了该用什么布局风格、怎么处理数据展示、页面节奏怎么把控。

结果出来，我盯着屏幕看了好几秒。

这真的是同一个模型做出来的？

同一篇素材，同一个模型，三组结果摆在一起，差距一眼就能看出来。 A 组是大学生交作业水平， B 组是实习生认真做的水平， C 组是可以直接拿出去展示的水平。

这不是微调，是换了个物种。

模型 × Skill ：不是加法，是乘法

先搞清楚两个基本概念。

模型是驱动 Agent 完成任务的 AI 引擎。选什么模型，决定了能力上限——推理深度、工具调用是否稳定、能否处理多模态、复杂任务能不能跑通。

Skill是给模型的任务说明书。它告诉模型这类任务该怎么做、用哪些工具、出什么格式。

两者之间不是加法关系。

打个比方你就懂了——你玩 RPG 游戏，角色属性再高，没有技能书，也只能平 A 。反过来，技能书再好，你是个 1 级小号，也放不出大招。搁这儿琢磨换显卡呢，结果发现驱动没装——整挺好，白折腾。

能力弱的模型配上再好的 Skill ，执行容易跑偏，效果始终上不去。能力强但没有 Skill ，输出最多止步于"能用"，很难到"好用"。说白了，裸奔的模型就是个蛮力输出，天花板肉眼可见。

两个因子缺一个，结果都难突破。

而且 Skill 还有一个容易被忽略的收益：它在为模型省力气。

有了清晰的执行路径，模型不用把推理资源花在"想清楚该怎么做"上——你玩黑魂打 Boss ，是上去乱砍效率高，还是先看一遍攻略再打效率高？一个道理。大部分人的模型不是不够聪明，是推理资源被"我该怎么做"吃掉了一大半，真正用来干活儿的脑力没剩多少。这事儿挺亏的，但很多人压根没意识到。

资源全部聚焦在执行本身，输出质量自然更上一层。这波不亏。

guizang-ppt-skill 之所以好用，是因为它内置了两套完整的视觉系统：Editorial Magazine 风格（杂志叙事风，像 Monocle 那种电子油墨美学）和 Swiss Internationalist 风格（网格锁定、高饱和度单色、极致排版对比）。 22 种命名锁定的布局模板，不允许你乱调 hex 色值。

这就像你打游戏拿到了神装——它不但给了你伤害值，还给了你攻击动画。

而 Ring-2.6-1T 的优势在于：它专门为 Agent 场景做了优化。 GPQA Diamond 88.27 ， AIME 2026 95.83 ， SWE-bench 74%。更重要的是 PinchBench 87.60——这个测的是真实世界任务执行，不是纸上做题。工具调用和多步执行的稳定性好， Skill 设定的执行路径能完整跑下来，不偏方向。

真正决定上限的，是你怎么用

回过头来看，为什么很多人用不好 Hermes Agent ？

两个习惯，特别致命。

第一个：拿到任务就让模型直接开干。 Plan 这一步直接跳过。在简单任务里问题不大——路径短，偏也偏不到哪去。但任务一复杂，做到一半发现方向错了，回头改，比一开始多花两倍时间都是常事。

Ring-2.6-1T 的特点是"先想清楚再动手"。它在 Plan 阶段会把任务拆成一个个可执行的步骤，每一步的边界在哪、输出是什么，写得清清楚楚。而且这个阶段你可以介入——你觉得哪步不合理？调整。漏了什么？补上。比做到一半发现跑偏了再回头，省事儿太多了。

第二个：觉得 Skill 是进阶玩法，等基础玩熟了再说。

这个想法可以反过来。

做 PPT 就加 guizang-ppt-skill^[2]，做设计型演示就加 impeccable^[3]——这玩意 28.6k 星，内置 23 个设计指令和 7 个领域参考文件（字体、色彩、动效、空间、交互、响应式、 UX 文案）， 27 条反模式规则。遇到要浏览网页的任务就加 agent-browser^[4]， 33.4k 星，原生 Rust CLI ， Chrome 自动化比 Puppeteer 快一个量级。

这些不是外挂，是告诉模型"该怎么做"的说明书。有了说明书，模型就不用自己瞎猜。

而且 Skill 的安装比你想象的简单得多——直接把 GitHub 链接扔给 Hermes ，让它自己搞定就行。不用手动配环境，不用折腾依赖。

有个细节很多人没注意到：日常工作和工具协作场景下， Ring 用 high 档推理就完全够了。只有数学、综合分析这类高难度任务才需要切到 xhigh 。像 PPT 这种任务， high 档稳稳的。

把推理资源用在刀刃上，不是动不动就拉满。

模型选对了， Skill 才发挥得出来

这里有个反直觉的结论：Skill 本身不创造能力，它释放能力。

Ring-2.6-1T 在 Skill 配合下表现稳定的原因之一，是它用了异步 RL + IcePop 算法——万亿参数级别下做强化学习，策略采样和参数更新解耦， GPU 利用率大幅提升。翻译成人话就是：它在多步执行和工具调用上练得更扎实，对 Skill 文档的理解能力和执行一致性都更好。

你换一个工具调用能力弱的模型，给它加同样的 Skill——该调的工具不调，该走的步骤跳着走，效果直接打对折。

这件事越想越像电脑组装。

模型是你的 CPU 和显卡——底子决定了渲染上限。 Skill 是驱动程序和游戏优化配置——告诉你什么场景该开 DLSS ，什么场景该锁帧。你拿一块 GTX 1050 ，驱动再新也跑不动 4K 光追。你拿一块 RTX 5090 不装驱动，跑出来的画面也是糊的。

模型底座和 Skill 是配合关系，不是独立关系。 一个稳的底座 + 一份清晰的说明书，才是真正能打的组合。

Ring-2.6-1T 已经在 Hugging Face 、 ModelScope 和 Ling Studio 全面上线了——huggingface.co/inclusionAI/Ring-2.6-1T^[5]， MIT 协议，直接上手。

说到底， AI Agent 这个东西，工具本身已经很成熟了。真正拉开差距的，是你有没有给工具装上正确的"技能书"。

你觉得呢？

Ring-2.6-1T 可在以下平台使用： - 🤗 Hugging Face^[6] - 🤖 ModelScope^[7] - 🌐 Ling Studio^[8]（ Chat 体验已开放， API 即将上线）

参考链接

[1] guizang-ppt-skill: https://github.com/op7418/guizang-ppt-skill

[2] guizang-ppt-skill: https://github.com/op7418/guizang-ppt-skill

[3] impeccable: https://github.com/pbakaus/impeccable

[4] agent-browser: https://github.com/vercel-labs/agent-browser

[5] huggingface.co/inclusionAI/Ring-2.6-1T: https://huggingface.co/inclusionAI/Ring-2.6-1T

[6] Hugging Face: https://huggingface.co/inclusionAI/Ring-2.6-1T

[7] ModelScope: https://modelscope.cn/models/inclusionAI/Ring-2.6-1T

[8] Ling Studio: https://ling.tbox.cn/chat