拆解 Persona-Aware-D2S：同一份文件，怎麼依受眾和長度長出不同簡報

2026-07-29 2026-09-22 約 9805 字預計閱讀 44 分鐘

同一份文件換個受眾、換個長度，投影片內容就該完全不同。拆解 EACL 2024 論文 Persona-Aware-D2S 的三階段 pipeline 與 RLHF-lite 訓練法，並老實檢視它在資料規模與架構設計上站不住腳的地方。

1 前言

把一篇論文變成投影片，這件事沒有標準答案。講給同領域的研究者聽，你會直接跳進模型架構；講給業務主管聽，你得先講清楚這東西能解決什麼問題，架構細節反而是干擾。但市面上的「文件轉投影片」（document-to-slides，以下簡稱 D2S）系統幾乎都是單一輸出：文件丟進去，吐出來的永遠是同一份大綱。

EACL 2024 的 Persona-Aware-D2S 想補上這個缺口。它把「受眾是不是專家」「簡報要長還是短」變成模型的輸入條件，讓同一份文件長出四種版本的投影片內容；訓練上用 SFT 搭配一種借自 Decision Transformer 的輕量偏好微調，繞開 PPO（RLHF 主流的強化學習演算法）那套基礎設施。這篇文章會照三階段 pipeline 把方法拆開，補上兩個你大概會卡住的技術背景（Decision Transformer 與 Bradley-Terry model），然後誠實評估它在工程上值不值得複現。先把結論放前面：這篇論文的貢獻主要在任務定義與資料集，方法本身是現成技術的拼裝，而且有幾個架構層級的問題會直接擋住落地。

重點摘要（TL;DR）

任務定義：Persona-Aware-D2S（EACL 2024）把「同一份文件，依受眾（專家／非專家）和長度（長版／短版）生成四種投影片內容」這件事變成一個定義清楚的任務，並建立了對應的平行資料集。
方法：三階段 pipeline（大綱生成 → 內容抽取 → 摘要與重排），前兩階段用監督微調加上借自 Decision Transformer 的輕量偏好微調（reward-conditioning），但實作上是為四種 persona 組合各訓練一個獨立模型，而不是訓練單一條件式模型。
最划算的部分：Stage 2 第一步的兩段式檢索（字面比對優先、語意比對備援），以及 Stage 3 完全不需訓練的「摘要加重排」，論文自己的消融實驗證實後者確實提升了可讀性與連貫性。
站不住腳的地方：訓練資料規模很小（大綱生成只有 80 筆樣本、dev split 僅 5 篇論文）、reward model 只有 66M 參數且沒做容量消融、四種 persona 各訓一個模型的架構無法隨 persona 維度擴展。

2 這個任務為什麼值得被重新定義

論文開頭的例子很直覺：在面對一般大眾或業務人士的場合，技術密度過高的內容反而會降低參與度，因為這群聽眾想知道的是「這東西拿來幹嘛」，不是模型裡有幾個模組。這正是整篇論文的核心動機：同一份輸入，兩種輸出，差別不在品質好壞，而在對誰說話。

把論文在 §1 和相關研究裡談的問題攤開來看，其實是五個彼此有依賴關係的挑戰：

#	挑戰	過去方法怎麼做	為什麼不夠
1	單一輸出，無法因應不同受眾	Doc2PPT（Fu et al., 2021）、D2S（Sun et al., 2021）	架構上就是「文件 → 單一投影片」的固定映射，根本沒有「受眾」這個輸入變數，想擴充也無從下手
2	無法因應時長限制	同上	一小時報告跟五分鐘概覽需要的張數與資訊密度完全不同，但 duration 同樣沒被當作條件
3	訓練目標跟人類的多元偏好不對齊	最大化與單一 gold reference 的相似度（ROUGE，比對生成結果與參考答案的字詞重疊程度）	這種最大概似（MLE）訓練預設「只有一種正確答案」，跟 persona 問題本質上的「一對多」直接衝突
4	抽取式方法內容不連貫	啟發式規則（Masum et al., 2005 等）、ML-based extractive（Hu & Wan, 2013 等）	規則法靠手工特徵、泛化性差；抽取法只能從原文撈句子，沒有摘要與改寫能力，讀起來生硬
5	缺乏可訓練與評測的資料集	—	過去的研究多半只處理「技術研討會簡報」這一種型態，沒有同篇論文對多種 persona 的平行資料

這五點不是平行並列的。挑戰 5 是前提：沒有資料就談不上條件式生成；有了資料才能把挑戰 1、2 的條件變成模型輸入；而一旦要訓練這種條件式模型，就必須面對挑戰 3（單一 reference 撐不起多元偏好）。挑戰 4 則是獨立的內容品質問題，跟 persona 無關但同樣得解。

3 方法拆解：從問題形式化到三階段 pipeline

3.1 先把符號講清楚

論文的形式化其實不難，但符號散在各節，這裡先集中整理：

符號	意義
$D$	整份文件（論文）
$SE$	$D$ 的章節集合
$F$	文件中所有圖表構成的集合
$F_q = \{I_q, Cap_q\}$	第 $q$ 個圖表，含圖片 $I_q$ 與 caption $Cap_q$
$C$	論文正文內容
$H$ / $A$	論文標題 / 摘要
$B \in \{e, ne\}$	受眾背景：專家 / 非專家
$L \in \{l, s\}$	簡報長度：長 / 短
$IN = \{C, B, L\}$	模型輸入的三元組
$t = \{t_1, \dots, t_j\}$	投影片標題序列，也就是大綱
$S_u$	從文件篩出的候選內容片段（句子加 caption）
$O$	最終的投影片輸出

這裡有個容易被忽略的設計： $F_q$ 雖然寫成「圖片 + caption」，但模型實際上只吃 caption 這段文字，圖片本身從頭到尾沒有被理解過。後面談限制時會回來算這筆帳。

整體目標是建模 $p(O \mid C, B, L)$ 。這個聯合機率沒辦法直接訓練，pipeline 實際上把它拆成三段（這個分解是我對照三個 Stage 推出來的讀法，論文沒有明寫成一條式子）：

p(O \mid C, B, L) \approx \underbrace{p(t \mid IN)}_{\text{Stage 1：大綱生成}} \times \underbrace{p(S_u \mid t, IN)}_{\text{Stage 2：內容抽取}} \times \underbrace{p(O \mid S_u, t, IN)}_{\text{Stage 3：摘要與重排}}

原文公式的一個筆誤

讀原文公式時要留意：§3.1 把 Outline Generation 的目標寫成

P(t \mid IN)

沒問題，但 §3.2 在描述 Content Extraction 時公式仍然寫成

P(t \mid IN)

，照文義應該是

P(S_u \mid IN)

。這是寫作疏漏，不是另一個不同的目標。

Persona-Aware-D2S 的完整資訊流程圖，上半為 Topic Generator 的訓練與微調，下半為內容抽取與最終的摘要對齊 — 圖 2 — 完整 pipeline：上半部是大綱生成的 SFT 到偏好微調流程（含 reward model 與人類回饋），下半部是內容抽取的對應流程，最後匯入摘要與重排產出投影片。

這張圖可以當成整節的地圖：接下來三個小節分別對應圖上的三段。

3.2 Stage 1：生成帶 persona 的投影片大綱

這一階段的目標是給定論文內容加上 persona 條件，生成投影片的標題序列 $t$ 。它分成兩步走：先做監督微調，再做偏好微調。

3.2.1 監督微調（SFT-F）

做法本身很標準：用 cross-entropy loss，最小化生成標題與 ground-truth 標題之間的差距。真正值得注意的是架構決策——論文訓練的是四個獨立模型，分別對應四種 persona 組合：

\pi_{SFT}^{(B=ne,\,L=l)},\quad \pi_{SFT}^{(B=ne,\,L=s)},\quad \pi_{SFT}^{(B=e,\,L=l)},\quad \pi_{SFT}^{(B=e,\,L=s)}

而不是訓練單一模型、把 $B$ 和 $L$ 當成 prompt 裡的條件。這個選擇在效果上也許更乾淨，但代價很大，後面談 scalability 時會是主要的攻擊點。

訓練規模則相當袖珍：train split 只有 20 篇論文，乘上 4 種配置等於 80 筆訓練樣本，拿去微調 GPT-3.5-turbo（3 epochs、lr=0.2、batch size 256）。

3.2.2 偏好微調（P-F）

這一步是為了處理前面的挑戰 3：單一 gold standard 撐不起多元偏好。流程有三段。

第一段是收集人類偏好資料。 四個 $\pi_{SFT}$ 各自用不同的 temperature、top-K、top-p 生成 5 組候選大綱；3 位專家負責對專家的兩種配置（長 vs 短）做成對排序，3 位非專家對非專家的兩種配置做同樣的事。評分準則有兩個：對目標受眾的可理解度（comprehensibility），以及長度上的滿意度。只有多數決有共識的樣本會被保留，沒共識的直接丟掉。

第二段是訓練 reward model，用的是 Bradley-Terry loss：

\mathcal{L} = -\mathbb{E}_{x \sim \text{train}}\left[\log \sigma(s_w - s_r)\right]

其中 $s_w$ 是被選中（chosen）版本的分數， $s_r$ 是被淘汰（rejected）版本的分數。因為評分準則有兩個、受眾有兩種，最後會得到四個 reward model： $RM_{C\text{-}E}$ 、 $RM_{L\text{-}E}$ （專家的可理解度與長度）以及 $RM_{C\text{-}NE}$ 、 $RM_{L\text{-}NE}$ （非專家的對應版本）。

reward model 的容量沒有被驗證

這裡有個我覺得該被質疑的選擇：reward model 用的是 distilbert-base-cased，一個約 66M 參數的小型 encoder。「這段大綱對非專家好不好懂」是相當吃語意理解的判斷，這種 capacity 夠不夠，論文沒有做任何消融驗證。

第三段是最終的偏好微調，借用 Decision Transformer 的 reward-conditioning 技巧（下一節會完整解釋這個技巧在原本的脈絡裡是什麼）。步驟是：從 train set 抽 prompt，用 $\pi_{SFT}$ 生成 5 組大綱，用 reward model 給每組打分，得到「(prompt, reward) → 大綱」這樣的訓練配對，再拿這批配對去微調 LLM。本質上仍然是監督學習，只是輸入裡多塞了一個 reward 當條件。推論時就直接把「最大 reward 值」餵進去，讓模型生成對應高分的大綱。

論文在這一步略過了兩個細節：所謂的「maximum reward」具體數值怎麼來（是訓練資料裡的觀察最大值？還是手動設的常數？），以及兩個 reward 分數是合併成單一純量、還是兩個都塞進 prompt。缺了這些要複現會很痛苦。

3.3 Stage 2：抽出每張投影片該放的內容

有了大綱之後，要為每個標題找出對應的句子和圖表 caption，也就是 $S_u$ 。這階段分成兩步：先用便宜的方式把候選範圍縮小，再用訓練過的模型從候選裡挑內容。

3.3.1 第一步：高 recall 的章節過濾器（不動用 LLM）

為什麼需要這一步？把整篇論文直接丟給 LLM 挑句子，一來成本高，二來塞不進 GPT-3.5-turbo 的 4096 token 限制。所以論文先用便宜的方式縮小範圍：

每個投影片標題 $t_i$ 跟論文的 section headings 做 fuzzy match（字面相似度），取相似度超過門檻 $th$ 的 top-k。
如果沒有任何 section 過得了門檻，改用 Sentence-BERT（Reimers & Gurevych, 2019）算語意相似度，挑最接近的 section。
選定 section 之後，把該 section 的所有句子與 caption 全部串接成 $S_u$ 。

說白了就是「先用便宜的字面匹配，字面匹配失敗才動用語意模型」的兩段式檢索——很經典的 retrieve-then-rerank 思路，也是整篇論文裡我認為最值得直接借鑑的設計。

章節過濾的兩個隱憂

門檻

th

是在只有 5 篇論文的 dev split 上調出來的，樣本數小到換個 domain（章節命名習慣不同）多半得重調。更根本的是，整套機制高度依賴文件有標準化的 section 結構；拿去處理會議記錄、PRD 這類非結構化文件，字面比對那一段會直接失效，全部 fallback 到語意比對。

3.3.2 第二步：帶 persona 的內容抽取

這一步完全重用 Stage 1 的機制——同樣的 cross-entropy SFT、同樣的 Bradley-Terry reward model、同樣的 Decision-Transformer-style 偏好微調，只是輸入輸出換成「 $(t, S_u)$ → 相關片段」，訓練出來的就是一個專門做內容抽取的 policy。

3.3.3 省下的 API 成本，代價是什麼

論文宣稱這套候選過濾能把 GPT 呼叫次數壓到約八分之一。這個宣稱有數據支撐，但也有代價：

表 1 — 候選過濾的成本與 recall 取捨（原文 Table 10）：呼叫次數愈多，recall 愈高。

策略	平均 GPT 呼叫次數	Recall
論文提出的輕量 filter	約 1 次	78.89%
中等範圍候選	約 5.3 次	81.34%
幾乎用整篇論文	約 8.2 次	100%

關鍵在於這一步的篩選不可逆：被這一步濾掉的句子，後面的 Stage 再也看不到。所以那 21% 的相關內容不是「暫時沒被選上」，是永久消失。用八分之一的呼叫成本換掉五分之一的內容涵蓋度划不划算，得看你的應用能容忍多少遺漏。

一個資料品質的提醒

這張表（原文 Table 10）還有一個 precision 欄位，本文沒有列出，數值是 6.73、5.93、5.88，看起來不合常理，precision 通常應該落在 0–1 或百分比區間。懷疑是原文表格的欄位錯位，要引用這幾個數字前建議回頭核對原始 PDF。Recall 的數字則看起來正常。

3.4 Stage 3：摘要與邏輯重排

前兩階段抽出來的是零散的句子片段，直接貼上投影片會很難讀。Stage 3 負責把它整理成連貫的最終輸出，機制是兩步驟 prompting：先把 $S_u$ 的內容摘要成 bullet points，再把這些 bullet points 丟回 LLM，要求它在同一標題內部、或跨標題之間重新排列，讓順序更符合聽眾的理解節奏。具體來說，就是把「實驗結果」那張投影片裡先丟數字、後補實驗設定的順序倒過來，或把定義類的 bullet 提到應用類的前面。

Stage 3 的資源分配明顯斷了一層：Stage 1 和 Stage 2 都投入大量心力做 SFT 加偏好微調，但對使用者體驗影響最直接的 Stage 3，完全沒有做任何客製化訓練，純靠 prompting。論文沒有解釋這個資源分配上的不對稱是刻意還是偶然。

先看輸出實際長什麼樣：

同一個「Model Details」標題下，模型針對非專家與專家分別產生的兩張投影片對照 — 圖 3 — 同一個「Model Details」標題：左邊是針對非專家的版本（解釋了 LSTM、語意相似度等術語，細節較少），右邊是針對專家的版本（直接進入訓練細節與網路架構，不解釋術語）。

這張圖是檢驗整條 pipeline 最直接的方式——不用看任何分數，直接比對左右兩邊的用詞密度和細節深度，就知道條件有沒有真的生效。

至於 Stage 3 本身有沒有用，論文做了 before/after 的消融實驗（10 篇論文，Stage 2 的抽取版 vs Stage 3 的摘要重排版）：

指標	變化
Coherence	+0.5
Readability	+1.0
Coverage	-0.05（幾乎不變）
Relevance	0（不變）

摘要與重排前後，Coherence、Coverage、Readability、Relevance 四項評分的長條圖對照 — 圖 4 — 摘要重排前後的使用者評分對照：Readability 與 Coherence 明顯提升，Coverage 與 Relevance 則幾乎持平。

這是全篇論文裡證據力相對紮實的一個實驗：直接的 before/after 對照，證實摘要加重排確實提升了可讀性與連貫性，而且沒有明顯犧牲內容涵蓋度。不過樣本數只有 10 篇，評分者也不是獨立第三方。

幻覺怎麼處理？ 論文沒有做自動化事實查核，而是讓標註者對「內容相關性」評分，用這個分數間接代表有沒有幻覺。

用相關性 proxy 幻覺並不嚴謹

一段內容完全可以「跟標題高度相關」同時「捏造論文沒講過的細節」，這種類型的幻覺在這套評測下會直接漏掉。

附錄 D–G 提供了 zero-shot / few-shot 版本的大綱生成與內容抽取完整 prompt，但沒有提供 Stage 3 用的 prompt template。四個模組裡，這是唯一無法從附錄還原的一步——偏偏它還是最容易直接搬來用的那一步。

4 背景知識：兩個你可能會卡住的技術

這節補兩個 Persona-Aware-D2S 借用、但論文本身只是一筆帶過的技術背景。它們的價值獨立於這篇論文之外——就算你對投影片生成沒興趣，這兩段知識在其他地方一樣用得上。

4.1 Decision Transformer：把強化學習包裝成序列預測

Decision Transformer（Chen et al., 2021）2021 年 6 月掛上 arXiv，同年在 NeurIPS 發表。時間點卡在 GPT-3 之後、ChatGPT 之前，屬於「Transformer 能不能用來解序列決策問題」那波研究風潮的代表作。

它想解決的是傳統 RL 的老毛病：Q-learning、policy gradient 這類方法訓練不穩定、需要精細調參、而且常常得跟環境 online 互動。Decision Transformer 的提案是一個典範轉移——把 RL 問題重新包裝成序列預測問題，用 GPT 式的監督學習訓練，完全不估計價值函數、不做 bootstrapping。

具體怎麼運作，用走迷宮來想最容易：

一條軌跡（trajectory）由一連串的 (state, action, reward) 組成。
訓練前先把 reward 轉成 return-to-go：從現在這一步到終點，總共還會拿到多少分。
模型的輸入是交錯排列的三元組序列：[return-to-go, state, action, return-to-go, state, action, ...]。
訓練時蓋住 action，讓模型根據前面的 (return-to-go, state) 預測該輸出什麼 action。學到的映射大致是「我還想拿到 10 分，而我現在在位置 A → 往右走」。
推論時使用者先許願：設定一個目標 return（例如「我想拿 10 分」），模型根據這個目標加上目前 state 吐出動作；每走一步，剩餘的 return-to-go 就按實際拿到的分數遞減，重複到走完。

一句話總結：訓練時是「觀察別人怎麼走、最後拿多少分，學會兩者的關聯」；使用時是「你先設定想要的分數，模型回推該怎麼走」。

它後來有變成主流嗎？ 在研究圈內確實有影響力：同期有 Trajectory Transformer（Janner et al., 2021）提出類似想法，後續有 Online Decision Transformer，也被延伸到推薦系統、機器人、embodied AI、網頁導航 agent 等領域。但它沒有成為 LLM alignment 的主流路線——今天的 RLHF 生態主流仍然是 PPO（InstructGPT 那條線）或後來的 DPO。Decision Transformer 比較像是在 offline RL 與機器人控制這個子領域持續發揮影響力，不是一個家喻戶曉的產品級技術。

回到這篇論文：它只借用了「reward-conditioned generation」這個訓練技巧——把 reward 當條件塞進輸入，用監督學習訓練，藉此繞開 PPO 的基礎設施複雜度。但這是個不完整的挪用。Decision Transformer 真正的威力在於處理多步驟、有前後因果關係的序列決策：這一步怎麼選，會影響下一步能拿到多少分。而 Persona-Aware-D2S 的場景是單次生成，prompt 丟進去、完整大綱吐出來，沒有多步驟決策結構，也沒有軌跡的概念。

Decision Transformer 概念	Persona-Aware-D2S 的對應
return-to-go（還想拿多少分）	reward model 打出的分數
state（目前在哪）	prompt（論文內容加上 persona 條件）
action（要往哪走）	要生成的大綱
一整條軌跡	不存在，只有單步生成

表格最後一列才是重點：借了表層技巧，但沒有用到它真正被設計來解決的核心問題。

4.2 Bradley-Terry Model：從球隊排名到 RLHF 的共同底層

Bradley-Terry model（Bradley & Terry, 1952）是個很老的統計模型，原本處理的問題是「兩兩比較之後怎麼推算整體排名」，例如球隊戰績排序，跟 AI 一點關係都沒有。

它的核心假設是：每個項目都有一個看不見的「實力值」，而比較結果只是這個實力值的機率反映，不是絕對保證。寫成式子就是：

P(i \text{ 贏 } j) = \frac{\text{實力}_i}{\text{實力}_i + \text{實力}_j}

舉個具體的例子：A 隊實力值 8、B 隊實力值 2，則 $P(A \text{ 贏 } B) = 8/(8+2) = 0.8$ 。A 實力強四倍，贏面八成，但 B 仍有兩成機率爆冷。這種容許不確定性的設計，正好適合套在「人類偏好」這種有雜訊、同一個人不同時候判斷也未必一致的場景。

把 $P(i > j)$ 重新參數化成指數形式（令 $p_i = e^{r_i}$ ），就會得到 reward model 訓練裡常見的 $\sigma(r_i - r_j)$ 形式——也就是前面 Stage 1 那條 loss。這是 RLHF 領域最廣泛採用的偏好模型，從 Christiano et al. (2017) 這篇 RLHF 開山文獻、OpenAI 的 InstructGPT，一路到後來的 DPO，底層數學都是同一套 Bradley-Terry loss，差別只在怎麼用。換句話說，Persona-Aware-D2S 的 reward modeling 完全不是原創，是直接套用業界標準做法。

實際訓練起來會長這樣：reward model 對 chosen 版本打 3.5 分、rejected 打 1.0 分，則 $s_w - s_r = 2.5$ ， $\sigma(2.5) \approx 0.92$ ，loss 是 $-\log(0.92) \approx 0.08$ ——很小，代表模型判斷準確。反過來如果打分方向弄反（chosen 反而拿低分），loss 會飆到 2.53 左右，梯度就會用力把它修回來。

為什麼要用成對比較而不是直接打分？ 因為直接打分（像是「請給 1 到 10 分」）在標註者之間的一致性很低，每個人心裡的 7 分不一樣；但「A 跟 B 哪個比較好」人類直覺上容易判斷，共識度高得多。這也是為什麼論文的標註流程設計成 pairwise ranking。

Bradley-Terry 的傳遞性假設

Bradley-Terry 有個已知的方法論缺陷：它依賴傳遞性假設（A>B 且 B>C 則 A>C），但人類偏好經常不滿足這個假設。這篇論文「只保留多數決有共識的樣本、丟棄無共識樣本」的做法，某種程度上是在迴避這個問題，而不是真正解決它。

5 效果如何：端到端評測

四種 persona 配置下 Zero-shot、Few-shot、SFT-F、P-F 的 ROUGE-1/2/L 端到端評測結果表 — 表 2 — 完整 pipeline 在四種 persona 配置下的端到端 ROUGE 評測。微調過的兩個模型全面勝過 zero-shot 與 few-shot；偏好微調在多數配置領先，但 Expert-Short 這一格反而是純監督微調較好。

這張表是「微調確實有效」這個結論的主要量化依據，也是評估工程 ROI 時最該看的數字來源（提醒一下前面的縮寫：SFT-F 是純監督微調，P-F 是再加上偏好微調的版本）。兩個觀察：

SFT-F 與 P-F 全面壓過 zero-shot 和 few-shot baseline，差距不小。這部分的結論算是站得住。
P-F 在多數配置勝出，但 Expert-Short 這個配置例外，反而是純監督微調更好（R-1：SFT-F 0.17 vs P-F 0.13）。論文的解讀是純監督微調在「為專家做精簡摘要」這件事上表現更好。不管解讀對不對，這至少說明偏好微調不是無條件的提升。

6 批判性評估

6.1 論文自己承認的限制

論文的 Limitations 章節列了五點，都挺實在：

方法受限於必須忠於文件內容。
大部分技術術語需要額外解釋才能讓非專家理解，但模型在這方面能力有限。
完全依賴人類撰寫的圖表 caption，不會生成原創圖表，也不理解圖片本身的內容。
只能產生 bullet-point 格式的文字摘要，不涉及任何排版設計。
沒有多模態表徵能力，圖片相關的資訊可能在過程中流失。

第 3 點和第 4 點加起來，其實就決定了這個系統的輸出離「可以直接開場報告的投影片」還有很長一段距離。

6.2 論文沒提、但我認為存在的問題

面向	問題
訓練資料規模	大綱生成只有 80 筆訓練樣本（20 篇 × 4 配置），dev split 只有 5 篇。小樣本微調很容易 overfit 到這批論文的寫作風格，換 domain 的泛化能力存疑
架構 scalability	四種 persona 配置要訓練 4 個獨立 SFT 模型加 4 組 reward model。如果要再加一個 persona 維度（例如角色：PM／工程師／主管），模型數量是乘法成長，完全不 scalable
檢索機制的隱藏成本	章節過濾不可逆，21% 的相關內容會被永久漏掉；門檻值只在 5 篇論文上調過；而且高度依賴標準化的 section 結構，非結構化文件直接失效
Reward model capacity	用 66M 參數的 distilbert-base-cased 去判斷「可理解度」這種語意複雜的任務，夠不夠用完全沒有驗證
偏好微調的細節缺失	「maximum reward」數值怎麼決定、reward 是純量還是多維，論文都沒交代，難以複現
Stage 3 資源分配不對稱	對最終體驗影響最大的摘要重排，反而是唯一沒做客製化訓練的環節，論文沒解釋原因，附錄也沒給該步驟的 prompt
幻覺評測方法薄弱	用相關性評分 proxy 幻覺，測不出「內容相關但細節捏造」這一類
實驗樣本數普遍偏小	質化分析 10 篇、認知負荷研究 3 位專家、消融實驗 10 篇，統計效力偏低
產出物離真正的投影片有落差	完全不含排版、顏色、字體，本質上輸出的是結構化文字大綱，不是能直接用的簡報

實驗樣本數那一列要公平地說清楚：這是「規模不足」而不是「沒有做」。論文的實驗涵蓋面其實相當完整，模組級評測、端到端評測、消融實驗、質化分析都有，只是每一項的樣本數都撐不起太強的統計結論。

7 工程落地：哪些該抄，哪些別碰

看完方法和限制，最實際的問題是：如果我明天要做一個類似的系統，這篇論文哪幾塊可以直接拿？

模組	落地可行性	判斷
Stage 1 與 Stage 2 第二步（SFT + P-F 的四模型架構）	低	訓練與維運成本隨 persona 維度乘法成長，不建議直接複現
Stage 2 第一步（章節過濾：fuzzy match + SBERT fallback）	高	成熟、可遷移、確實解決真實痛點（省 API 成本），跟通用 RAG 的 retrieve-then-rerank 思路一致
Stage 3（摘要 + 重排，不需訓練）	最高	成本最低（只多兩次 LLM 呼叫），消融實驗證實有明確效果提升，是全篇投入產出比最好的部分
Decision-Transformer-style 訓練技巧	中（視情境）	如果你需要做輕量版偏好對齊又想避開 PPO 的基礎設施複雜度，這個思路值得參考，但要清楚意識到它捨棄了原技術真正的多步驟決策優勢

具體的取捨建議：

可以直接借鑑：Stage 2 第一步的兩段式檢索，以及 Stage 3 的摘要重排。兩者都不需要訓練，遷移成本接近零。
不建議複現：Stage 1 與 Stage 2 第二步的「每種條件訓練一個獨立模型」架構。小樣本 SFT 本身風險也偏高，除非你的任務也是「教模型輸出格式或風格」而不是「教模型新知識」——前者小樣本有機會，後者基本無望。
整體來說，這篇論文更適合當作「問題定義」的參考，而不是「解決方案」的參考。它的價值在於把 persona-aware 生成這個任務該長什麼樣描述清楚了，而不是提供一套能直接落地的系統。

8 結論

Persona-Aware-D2S 的核心貢獻是定義了一個新任務、建立了一個新資料集：讓文件轉投影片這件事第一次把「受眾是誰」「要講多久」當成模型的輸入條件。這個問題定義本身很有價值，論文能上 EACL 2024 long paper 也主要吃在這裡。

但方法論本身沒有原創性——SFT 加上 RLHF-lite 的組合，是把 Christiano et al. (2017) 的 reward modeling 和 Chen et al. (2021) 的 reward-conditioning 拼裝起來，而且後者還只借了表層技巧。工程上更不建議整套複現：80 筆訓練樣本撐不起真實世界的 domain 多樣性，四倍模型數量的架構不 scalable，產出物也離可直接使用的簡報有明顯落差。

真正值得帶走的只有兩樣：Stage 2 第一步那套 fuzzy match 加 SBERT fallback 的兩段式檢索，以及「把 reward 當條件塞進監督學習」這個繞開 PPO 的訓練思路。前者可以明天就用，後者則要先想清楚你的任務有沒有真正的多步驟結構——沒有的話，你借到的也只是個殼。

目錄

目錄

拆解 Persona-Aware-D2S：同一份文件，怎麼依受眾和長度長出不同簡報

1 前言

2 這個任務為什麼值得被重新定義