AeSlides: 검증 가능한 보상을 통한 LLM 기반 슬라이드 생성의 미적 레이아웃 최적화

섹션별 상세

텍스트 기반 LLM이 시각적 미학이 중요한 슬라이드 레이아웃을 생성할 때 발생하는 모달리티 격차가 주요 병목 현상으로 지목됐다. 기존의 시각적 반성(Visual Reflection) 방식은 추론 비용이 높고, 대규모 데이터셋 파인튜닝은 미적 기준을 직접적으로 학습시키기에 한계가 있었다. AeSlides는 명시적인 미적 원칙을 검증 가능한 보상으로 변환하여 이 격차를 해소하고자 한다.

슬라이드 레이아웃의 품질을 객관적으로 측정하기 위해 화면 비율, 여백 활용, 요소 간 충돌, 시각적 균형 등을 포함한 검증 가능한 지표 세트를 구축했다. 이 지표들은 생성된 레이아웃의 좌표 데이터를 입력받아 미적 결함을 수치화하며, 모델 학습 과정에서 즉각적이고 정확한 피드백을 제공하는 역할을 한다. 이를 통해 모델은 모호한 미적 개념 대신 구체적인 기하학적 제약 조건을 학습하게 된다.

효율적인 최적화를 위해 GRPO(Group Relative Policy Optimization) 기반의 강화학습 방법론을 채택하여 미적 레이아웃을 직접 학습시켰다. GLM-4.7-Flash 모델에 단 5,000개의 프롬프트만을 사용하여 학습을 진행했음에도 불구하고 시각적 불균형이 28% 개선되는 등 유의미한 성능 향상을 보였다. 이는 대규모 데이터 없이도 정교하게 설계된 보상 함수만으로 고품질의 에이전트 행동을 유도할 수 있음을 보여준다.

근거

AeSlides는 화면 비율 준수율을 36%에서 85%로 개선하고 요소 충돌을 43% 줄였다. — Abstract 섹션의 수치 인용 출처

정량적 평가와 인간 평가 모두에서 기존의 모델 기반 보상 최적화나 반성 기반 에이전트 접근 방식을 능가하는 결과를 도출했다. 특히 인간 평가 점수가 3.31점에서 3.56점으로 7.6% 상승하며 Claude 3.5 Sonnet보다 높은 미적 완성도를 기록했다. 이러한 결과는 검증 가능한 미적 패러다임이 슬라이드 생성 모델을 인간의 선호도에 정렬하는 확장 가능하고 효율적인 방법임을 시사한다.

근거

인간 평가 점수가 3.31에서 3.56으로 7.6% 상승하며 Claude-Sonnet-4.5를 능가했다. — Abstract 및 결과 요약 부분 출처

기술

GLM-4.7-Flash
GRPO
Claude 3.5 Sonnet

활용 사례

자동 슬라이드 생성 서비스
AI 기반 프레젠테이션 보조 도구
시각적 레이아웃 최적화 에이전트

언급된 리소스

논문AeSlides: Incentivizing Aesthetic Layout in LLM-Based Slide Generation via Verifiable Rewards