PosterMELD、編集可能な論文ポスター生成エージェント・パイプラインを公開——レイアウト容量を先に制約してコンテンツを生成

論文を学術ポスターに変換する作業は、単なる要約ではない。システムは限られた紙面を配分し、図表との関連性を維持し、テキストのはみ出しを防ぎながら、著者が引き続き編集できるファイルを生成する必要がある。8月3日に公開されたPosterMELDは、「先に容量を割り当て、その後にコンテンツを書く」というマルチエージェント・アーキテクチャを採用している。モデルに完全な文章を生成させた後で無理にテンプレートへ押し込むことを避ける狙いだ。プロジェクトはMIT Licenseの下で、生成パイプライン、評価コード、テンプレート、テストを公開している。

ワークフローでは、まずMinerUを使ってPDFからテキスト、数式、画像、表、メタデータを解析し、失敗した場合はMarkerへ切り替えられる。続いて、16種類の横長テンプレートと8種類の縦長テンプレートからレイアウトを選択し、各ブロックの幾何学的寸法、読み順、文字数容量をコンテンツ・エージェントへ渡す。後続のエージェントは、論文の要点抽出、ビジュアル素材の配置、PPTXの出力を担う。テキスト、図表、タイトルバー、ロゴはネイティブのPowerPoint要素として保持され、PNGプレビューも別途レンダリングされる。

品質管理では、エージェントに無制限の自己修正を許していない。決定論的ゲートが最初に、重なり、境界外へのはみ出し、可読性、アセットの完全性を検査し、その後、Vision-Language Model（VLM）がレイアウト全体を確認する。不合格となった項目だけが、回数制限付きの局所修復へ送られる。このためチームは、リクエスト数を分母とするPrint-Ready Rate（PRR）を提案しており、結果を生成できなかったリクエストも失敗として数える。一方、視覚品質を示すCHEスコアは、印刷チェックを通過した出力についてのみ算出される。

621本の論文と10の研究分野を対象とした独自評価では、PosterMELDのPRRは81.3％で、P2Pの24.2％、PosterGenの15.8％を上回った。リクエスト1件当たりの平均コストは0.38米ドルだった。GPT-Image-2のPRRはさらに高い85.2％だったが、出力を要素ごとに編集することはできない。したがってPosterMELDの主な価値は、個別の視覚品質スコアで首位に立つことではなく、生成品質、編集可能性、コストを単一の実行可能なパイプラインに統合した点にある。

現時点の数値は、著者らが独自データ、固定されたVLM評価モデル、特定のAPI構成を用いて算出したものだ。また、CHEは成功した出力のみを比較するため、それだけで全リクエストの品質を表すことはできない。導入者は、OCR結果、数式、引用が原文に忠実かどうかも確認し、異なるモデルプロバイダーを使用した場合の費用と再現性を改めて測定する必要がある。