※本記事は一次情報をもとにAI支援によって構成・作成し、事実関係の照合を行っています。
発表内容（事実）
2026年11月4日、Hugging Faceのブログにおいて、IBM Researchによる「Palette」が発表されました。Paletteは、自社のインフラ上で実行可能な小型のオープンウェイトモデルに対し、独自のデザイン言語を取り入れた合成データを用いてファインチューニングを行うことで、高品質なスライド資料の作成を可能にする仕組みです。
フロンティアモデルにスライド作成を依頼すると画一的な仕上がりになり、機密データの外部送信が課題となる場合があります。一方で、自社ホストが可能な小型モデルでは、テキストがはみ出したり形状が重なったりするといった崩れが生じやすい問題がありました。
Paletteでは、人間の作業プロセスを模倣して役割を「デザイナー」と「コーダー」の2つに分割し、単一のLoRAアダプターで学習を行っています。デザイナーが構造化されたJSONの仕様書を作成し、コーダーがそれを元にpptxgenjsを用いたJavaScriptコードを記述します。IBM Design Languageを用いた訓練の結果、PresentBenchにおいて計測された3つのドメインのうち2つで1位を獲得したと報告されています。
この記事のポイント
- 小型のオープンウェイトモデルに独自デザイン言語を学習させ、自社インフラで高品質なスライド作成を行う「Palette」が発表された。
- 人間が資料を作るプロセスを模倣し、役割を「デザイナー」と「コーダー」に分割してLoRAで学習している。
- デザイナーがJSONの仕様書を作成し、コーダーが各スライドの描画コードを生成する仕組みにより、コーディング段階を約6〜7倍高速化させている。
- IBM Design Languageに基づく学習データを用いて訓練され、PresentBenchの測定ドメインのうち2つで1位を記録した。
【図解】Paletteの役割分割と処理の流れ
%%{init: {'theme': 'base', 'themeVariables': {'fontFamily': 'Hiragino Kaku Gothic ProN, Yu Gothic, Meiryo, sans-serif', 'fontSize': '14px', 'primaryColor': '#ffffff', 'primaryBorderColor': '#8a6a50', 'primaryTextColor': '#3e2a1b', 'lineColor': '#8a6a50'}, 'flowchart': {'useMaxWidth': false, 'htmlLabels': true}, 'sequence': {'useMaxWidth': false}, 'class': {'useMaxWidth': false}, 'state': {'useMaxWidth': false}, 'er': {'useMaxWidth': false}, 'gantt': {'useMaxWidth': false}, 'journey': {'useMaxWidth': false}, 'pie': {'useMaxWidth': false}, 'mindmap': {'useMaxWidth': false}, 'timeline': {'useMaxWidth': false}}}%%
flowchart TD
A["インプット"] --> B["デザイナー (構造化JSONの仕様書を作成)"]
B --> C["コーダー (pptxgenjsのJavaScriptを記述)"]
C --> D["並列処理で各スライドのコードを出力"]
考察（筆者の見解）
事実: Paletteは、20BモデルをベースにLoRAを用いたファインチューニングを実施し、デザイナーとコーダーの役割に分けてスライド作成を行っています。また、PresentBenchの3つのドメインのうち2つで1位を獲得しています。
推測: 役割を分割して並列処理を可能にしたアプローチや、JSONによる中間表現の採用は、生成AIにおける出力の安定性や編集の容易さを高める上で、スライド作成以外のドキュメント生成タスクにも広く応用できる可能性があります。
意見: 筆者は、機密情報の保護が求められる企業環境において、オープンウェイトモデルを活用して自社のトンマナを完全に再現できるこうした技術は、実務でのAI導入を加速させる重要なアプローチになると考えます。
コメント