SlideLab använder AI-agenter för att skapa och testa forskningspresentationer

Att göra bilder av en forskningsartikel handlar om mer än att krympa texten. En presentation behöver en tydlig berättelse, användbara bilder och en ordning som hjälper åhörarna att förstå arbetet. SlideLab, ett system som beskrivs i en artikel på arXiv publicerad den 28 september 2026, är utformat för att hantera de uppgifterna.

Systemet använder flera AI-agenter som alla ansvarar för olika delar av arbetet. Först planerar det presentationens berättelse och skapar sedan ett gemensamt bildspel som bearbetas och revideras. Författarna beskriver metoden som ”training-free”, vilket betyder att ingen ny AI-modell tränas för uppgiften.

Hur skapar systemet bilderna?

SlideLabs agenter hanterar innehållsplanering, bildskapande, layoutförbättring och kontroll av att påståenden stöds av källartikeln. De arbetar i flera omgångar i stället för att skapa ett bildspel i ett enda svep. Målet är att ta fram en sammanhängande presentation där innehållet samtidigt är förankrat i forskningen.

I en blind studie av människors preferenser jämförde författarna SlideLab med både system med öppen källkod och kommersiella system. De uppger att deltagarna föredrog SlideLabs presentationer för 77 procent av de testade artiklarna. Systemet använde också ungefär fyra gånger färre inferenstoken än det starkaste jämförda systemet med öppen källkod. Token är små textbitar som en AI-modell bearbetar, och siffran mäter modellens användning – inte kostnaden direkt.

Hur utvärderas presentationerna?

Artikeln introducerar också ConfArena, en utvärderingsmetod som simulerar en konferenspublik och bedömer en presentation bild för bild. Författarna säger att metoden ger systemrankningar som stämmer överens med människors rankningar och kan upptäcka avsiktliga problem, till exempel ändrade siffror, försämrade figurer, saknade bilder eller bilder i fel ordning.

Artikeln rapporterar lovande resultat, men sammanfattningen anger inte detaljer som hur många artiklar eller personer som ingick i studien av deltagarnas preferenser. Sådana uppgifter är viktiga för att bedöma hur brett resultaten kan tillämpas. ConfArena presenteras som ett sätt att testa bildspel, inte som bevis för att ett AI-genererat bildspel kan presenteras utan mänsklig granskning.