PresentAgent-2：通用多模态演示代理
计算机视觉与模式识别
2026-05-13 v1 计算与语言
摘要
演示生成正在超越静态幻灯片创建，朝着以研究 grounding、多模态媒体和交互式交付为特征的端到端演示视频生成发展。我们引入PresentAgent-2，这是一个从用户查询生成演示视频的 agentic 框架。给定开放式用户查询和选定的演示模式，PresentAgent-2首先将查询概括为聚焦主题，随后对演示友好来源进行深入研究以收集多模态资源，包括相关文本、图像、GIF和视频。它然后构建演示幻灯片、生成模式特定的脚本，并将幻灯片、音频和动态媒体合成为完整的演示视频。PresentAgent-2支持三种独立的演示模式于统一框架内：Single Presentation(单一演示)生成单个讲者讲述的演示视频；Discussion(讨论)创建具有结构化讲者角色的多讲者演示，如提问引导、解释概念、澄清细节和总结要点；Interaction(交互)独立支持基于生成的幻灯片、脚本、检索证据和演示上下文回答观众问题。为评估这些能力，我们构建了一个覆盖单一演示、讨论和交互场景的多模态演示基准，包含内容质量、媒体相关性、动态媒体使用、对话自然性和交互 grounding 等任务特定评估标准。总体而言，PresentAgent-2将演示生成从依赖文档的幻灯片创建扩展到查询驱动、以研究为基础的多模态演示视频生成，涵盖多模态媒体、对话和交互。代码：https://github.com/AIGeeksGroup/PresentAgent-2。网站：https://aigeeksgroup.github.io/PresentAgent-2。
引用
@article{arxiv.2605.11363,
title = {PresentAgent-2: Towards Generalist Multimodal Presentation Agents},
author = {Wei Wu and Ziyang Xu and Zeyu Zhang and Yang Zhao and Hao Tang},
journal= {arXiv preprint arXiv:2605.11363},
year = {2026}
}