Gen-1 Slides発表 — Genspark初の独自モデルで、スライド生成の質とコストを一新
この2年間、Gensparkは世界最高水準のAIモデルの上に製品を築いてきました。そして今日、私たちは自社で訓練した初めてのモデルを発表します。Gen-1 Slidesです。知識労働者（ナレッジワーカー）のために作られた事後学習モデル（post-trained model）シリーズの第一弾となるこのモデルは、ひとつの依頼を、役員会でそのまま使えるプレゼンテーションに仕上げます。ベンチマークではフロンティア級（最先端AIモデル級）の性能を、コスト面では圧倒的な効率を実現しました。
本日より、Gen-1 SlidesはGenspark AIスライド（AI Slides）のStandardモードを支えます。デッキ（スライド一式）の品質を大きく引き上げながら、ユーザーのトークンコストを引き下げます。Fireworks AIと共同で訓練されたGen-1 Slidesは、社内外のベンチマーク平均で1位を獲得。Claude Opus 5を上回りながら、入力トークン価格はOpus 5のおよそ1/17です。品質の総合比較でも、Claude Fable 5.1と実質的に同率トップでした。
これまでのフロンティアモデルの流れを見ると、競争の主戦場はコーディングのベンチマーク、数学コンテスト、推論テストでした。フロンティア各社は汎用能力の最適化を追求し、オープンモデルは同じリーダーボードを追いながら価格差を詰めてきました。その結果、知識労働者が実際に1日の大半を費やしている仕事、すなわち資料、スプレッドシート、ドキュメントに注がれる関心は、はるかに少ないのが現状です。
ピーク時には1日12万デッキもの生成が行われる場で、私たちは汎用モデルがどこで限界を迎えるか、そして完成したプレゼンテーションに人々が本当に求めているものは何かを、実データとして目の当たりにしてきました。規模も、フィードバックも、より良いものを作る理由も、ここにはありました。だから私たちは自分たちでモデルを訓練したのです。
Gensparkにとって、これは重要なマイルストーンです。私たちは今後も、タスクごとに最適なモデルを組み合わせて使い続けます。そこに加えて、自社の規模・製品経験・ユーザーフィードバックが優位性になる分野では、独自モデルを訓練する力を新たに持つことになります。スライドはその最初の例です。同じアプローチを、スプレッドシート、ドキュメント、リサーチにもすでに適用し始めています。
この新たな力は、ユーザーに届ける仕事の質を高め、最も理解している仕事をより速く進めるための、もうひとつの手段になります。Gen-1 Slidesは本日から稼働しています。Genspark AIスライドをご利用の方なら、Standardモードのデフォルトとしてすでに使われており、すぐにお試しいただけます。
以下では、なぜ作ったのか、どう測っているのか、そしてまだどこが及ばないのかを説明します。
ハイライト
ユーザーにとって: 同じ価格で、デッキが大幅に向上します。 Gen-1 Slidesは、より良いプレゼンテーションを作るために特化して訓練され、Standardモードのデフォルトになりました。AIデータ保持（AI Data Retention）を有効にしている一般ユーザーから収集した匿名化済みスライドタスク200件で、社内グレーダーによるスコアはClaude Opus 5を上回り、ビジュアルデザインでは1位。ユーザーへの価格は変わりません。Opus級の品質が、プレミアムではなくデフォルトになります。
業界にとって: アプリケーション企業が、入力トークン1/17のコストでフロンティア級モデルを作れることを示しました。 Gen-1 Slidesは、オープンウェイト（重みを公開した）のMiniMax M3を土台として、Fireworks AIと共同で、Gensparkが実際のプレゼンテーション生成に使っているのと同じシステムの中で訓練されました。このベースモデル（土台となるモデル）は隠さず公開しています。私たちの考えでは、出所の透明性は製品の一部であり、避けるべきものではありません。その結果、デッキ品質でClaude Opus 5に並びながら、入力トークン価格はOpus 5の$5に対して$0.30です。完成デッキ単位で測ると、月1,000デッキを生産するチームのコストは約$4,200から約$440に下がります。フロンティア品質で1人を支えていた予算で、およそ10人を支えられるようになるのです。Gen-1モデルファミリーが他の成果物に広がれば、フロンティア品質は「特典」ではなく「当たり前の基準」になります。
技術者にとって: 自分で実行できるベンチマークで、確かな結果を出しています。 Gen-1 Slidesは3つのデータセットでテストされ、それぞれに専用のグレーダーを組み合わせました。社内の実タスクセット＋社内グレーダー、UltraPresent＋PPTEval、UniPPTBench＋UniPPTEvalです。9つの評価のうち8つで1位を獲得し、9つすべてでトップ2に入りました。平均ランクはKimi K3の2.44、Claude Opus 5の2.56に対して、1.11です。
本日から利用可能です。 AIスライドのStandardモードのデフォルトとして、またgsk CLIからも利用できます。OpenRouterへの掲載は準備中です。早期APIアクセスについては[email protected]までご連絡ください。
図 1. 社内グレーダーの総合スコアと入力トークン価格の比較: 11モデル、同一ハーネス（評価用の共通実行環境）。**
縦軸: 11モデルすべてが実際のタスクで達成した社内グレーダー総合スコア。横軸: 入力トークンのカタログ価格（対数スケール）。Gen-1 Slidesは左上の隅に単独で位置しています。「より安く、かつより良い」モデルはほかに存在しません。価格は、学習元となった既製のM3と同じで、矢印はその価格で事後学習がもたらした向上（0.576→0.827）を示します。比較の主軸はOpus 5です。このタスクで大規模に提供してきた実績があるためです。Fable 5／5.1は参考掲載のみです。軸とサンプルの詳細は付録Dを参照。
なぜスライドには専用のモデルが必要なのか
私たちのユーザーは、フロンティアモデルの価格を払いながら、レイアウトが崩れたり、出典を捏造したり、元資料が裏付けない主張が載っていたりするデッキを受け取っていました。世界最強の汎用モデルは多くのことに秀でていますが、「仕上がった、納品可能なスライドデッキを作る」ことは、これまで彼らの優先事項ではありませんでした。それも当然です。フロンティア各社は汎用能力の最適化を進め、オープンモデルのリリースも同じベンチマークで測られています。このタスクに特化したモデルを他社が作ってくれる見込みは薄い。だから私たちが自前で作ることにしたのです。
スライド生成はライティングの仕事のように見えますが、実際にはエンジニアリングの仕事です。モデルはストーリーを組み立て、元資料に忠実でい続け、全ページのフロントエンドコードを書き、レンダリングし、結果を検査し、問題を修正する。これを数十ターンにわたって繰り返します。汎用モデルはこれらの工程の一部に強く、一部に弱く、その弱点は十分に安定しているため、私たちの評価では特徴的なパターンとして浮かび上がってきます。
Claude Opus 5 はタスク完了で最強、コンテンツでも上位ですが、自己チェックのループを最も少なくしか回さないため、完成したデッキに目に見える欠陥が残ります。ユーザーにとっては、高い価格を払ったうえで、自分でページを直すことになります。
GPT-5.6 Sol は最も余白の多いデッキを作り、各ページの情報量が少なくなります。汎用モデルの中ではビジュアルデザインで最下位、UniPPTEvalの密度・レイアウト・一貫性・階層の全ディメンションでも、全データセットで5モデル中最下位でした。
Kimi K3 はこの3つのうち最もバランスが取れていますが、社内グレーダーのビジュアルデザインでは全3データセットで3位です。
スライド作りは、数学の問題を解くことよりも、キャンバスを構成してレイアウトすることに近い仕事です。難しい仕事ですが、ユーザーが実際に体験していることから直接訓練すれば、対処可能な範囲に収まります。1日12万デッキを稼働させている私たちには、このタスクに関して汎用モデル各社が持っていない3つのものがあります。人々がデッキツールに実際に何を依頼しているか、そして汎用モデルがどこで彼らを裏切るかを、私たちは知っています。依頼した人がどんなデッキを「良い」と思うかも知っています。どのデッキが高評価を得て、ダウンロードされ、編集のために送り返されたかが、集計値として見えるからです。私たちはテキストの記録ではなく、完成した成果物に対して報酬を計算できます。
評価方法
デッキの品質は、どう測るかに大きく左右されます。私たちは毎日大規模にスライド生成を運用しているので、独自のグレーダーを構築しました。信じてくださいと言うのではなく、それがどう動き、どう検証したかを説明します。三つのシグナル（手がかり）、三つのデータセット、五つのモデルです。
三つのシグナル：自動グレーダー、人間によるアノテーション、本番環境のフィードバック。
社内グレーダー: 私たちの採点パイプラインです。Claude Fable 5が駆動するエージェントがジャッジとなり、レンダリングされたデッキを4つの評価の観点で採点します。タスク完了、コンテンツ品質、ビジュアルデザイン、プロセス品質です。さらにペナルティ（レイアウト欠陥、捏造、不実表示、指示無視）と、クリーンなデッキへのボーナスを上乗せします。このグレーダーはGen-1 SlidesのRL（強化学習）の報酬も供給しているため、表1のスコアは訓練から独立していません。後述の2つの公開グレーダーは独立しています。本稿を通じて、グレーダーは採点パイプライン、ジャッジはグレーダーの内部にあるマルチモーダルLLM、報酬はグレーダーの出力から計算される訓練用のスカラー値を指します。
公開グレーダー: ベンチマークの作者が公開している2つのグレーダーを使用しました。PPTEvalはUltraPresentの作者によるPPTAgentプロジェクト由来で、コンテンツ・デザイン・一貫性を採点します。UniPPTEvalはUniPPTBenchと同じ論文で定義され、基本10ディメンション＋視覚的一貫性を採点します。どちらも自前のデータセットに限らず3つのデータセットすべてで実行し、どちらも訓練中に報酬として使われたことは一度もありません。PPTEvalはClaude Fable 5のジャッジで、UniPPTEvalは論文が指定するGeminiのジャッジで実行しています。
人間: プロダクトマネージャーとデザイナーが、77件のスライド生成タスクにわたる4,063ページをアノテーション（評価ラベル付け）しました。さらに、本番の157万タスクから、星評価（★）、高評価・低評価、ダウンロードのシグナルを得ています。
3つのデータセット: AIデータ保持を有効にしている一般ユーザーからの匿名化タスク200件と、2つの公開ベンチマークセットを使用しました。UltraPresentはPPTAgentの作者が公開したもので、128タスクのバリデーション分割を使用。UniPPTBenchは126タスクです。本稿を通じて、UltraPresentとUniPPTBenchはデータセットを、PPTEvalとUniPPTEvalはそれらの公式グレーダーを指します。
5つのモデルは、同じエージェントハーネスで、同じツール、同じレンダリングループ、同じプロンプト、本番と同じ推論努力設定（thinking-effort）で全タスクを実行しました。Gen-1 Slides、Claude Opus 5、Kimi K3、GPT-5.6 Sol、そして事後学習前の既製MiniMax M3（pre-RL）チェックポイントをベースラインとして含みます。図1には比較のためさらに多くのモデルが含まれますが、本番で意味のある規模で稼働させてきたのはこの5モデルであり、それゆえ私たちが信頼する比較対象はこれらです。
品質
同じタスクを三つのモデルで
同じ四半期レビューのタスクを3つのモデルでレンダリングした結果。各画像は生成されたデッキの該当する概要スライドです。
私たちの実タスク200件では、Gen-1 Slidesが5モデル中で最も高い総合スコアと、最も高いビジュアルデザインスコアを達成しました。Claude Opus 5はタスク完了とコンテンツ品質でトップです。この2つは総合点で同じ層に入り、両者の差は他のモデルとの差よりも小さいものになっています。
表 1. 社内グレーダーによる実本番タスク200件（n=200）
| モデル | 総合 | タスク完了 | コンテンツ品質 | ビジュアルデザイン | プロセス品質 | USD / デッキ |
|---|---|---|---|---|---|---|
| Gen-1 Slides | 0.821 | 0.780 | 0.737 | 0.756 | 0.719 | 0.44 |
| Claude Opus 5 | 0.810 | 0.849 | 0.782 | 0.688 | 0.6948 | 4.16 |
| Kimi K3 | 0.723 | 0.840 | 0.784 | 0.557 | 0.748 | 2.00 |
| GPT-5.6 Sol | 0.668 | 0.820 | 0.743 | 0.479 | 0.748 | 2.01 |
| MiniMax M3（既製） | 0.563 | 0.741 | 0.668 | 0.494 | 0.608 | 0.34 |
コストは、同じハーネスで完成デッキ1件あたりに要したLLM支出です。各列の最良値は太字。総合は4列の平均ではありません（付録C参照）。
自前ではないグレーダーでも通用するか
社内グレーダーはGensparkのこのタスクに対する理解を反映しているため、正当な問いは、こうした向上が公開ベンチマークでも維持されるかどうかです。図2は、同じ5モデルを3つのデータセット、3つの独立したグレーダーファミリーで比較したものです。棒の起点はゼロです。差が小さく見える箇所は、最強モデルが各スケールの上限近くに位置しているためで、軸が圧縮されているからではありません。
図 2. 5モデル、3データセット、3つのグレーダーファミリー。
各グレーダーはそれぞれのスケールで表示（社内 0–1、PPTEval 1–5、UniPPTEval 0–10）。社内実タスク 200 件、UltraPresent 検証用スプリット 128 件、UniPPTBench 126 件。推論設定は本番環境と同じ：適応的思考、高い思考量、非対応のモデルではスキップ。
3つのグレーダーの判定はおおむね一致しています。Gen-1 Slidesは、グレーダー×データセットの9つの組み合わせのうち8つで1位でした。唯一敗れたのはUniPPTBench上のUniPPTEvalで、そこではKimi K3が僅差で首位を取っています。また、トップ2から脱落したことが一度もない唯一のモデルであり、平均ランクは1.11。Kimi K3は2.44、Opus 5は2.56、M3ベースは4.22、GPT-5.6 Solは4.67です。
この向上は、分布外のタスクセットにも一般化します。Gen-1 Slidesは9つの比較すべてでベースモデルを上回りました。公開グレーダーのスコアは上位で拮抗しており、6つの比較のうち、1位と2位の差が全スケールの1.7%を超えたことはありません。それでもGen-1 Slidesは6つのうち5つで1位です。ディメンション別の全結果は付録Cにあります。
グレーダーは人間の判断と一致しているか
グレーダーは、人間の判断と一致して初めて信頼に値します。私たちは2つの独立したシグナル、プロダクト・デザインチームによる詳細アノテーションと、本番ユーザーからのフィードバックで検証しました。
アノテーターが見つけたもの。 人間による評価は77タスク（並べて比較できたのは76）をカバーし、モデルごとに1デッキ、合計4,063ページを、モデル名を伏せてプロダクト・デザインチームがレビューしました。うち20ページはアノテーター間一致度を測るため二重アノテーションを行っています。焦点は、読者が最初に気づく3つのディメンション、レイアウト、出典への忠実さ、美観です。情報伝達とストーリー構成（ナラティブ構造）は人間アノテーションの対象外で、個人情報を含むタスクはアノテーション前に除外しました。
レイアウト: Opus 5と同等、やや劣る。 何らかのレイアウト問題があるページはGen-1が88%、Opus 5が81%でしたが、深刻な問題では差が縮まります。深刻以上と評価されたページはGen-1が33%、Opus 5が34%でした。同じタスクを並べて比較した場合、Gen-1は24勝26敗26引き分けでした。
出典への忠実さ: Opus 5よりやや良い。 30デッキ（6タスク×5モデル）から抽出した9,141件のアトミック主張（情報ポイント）のうち、Gen-1の捏造率は13.3%に対しOpus 5は17.7%。4.4ポイントの差です。再アノテーションによる判定のばらつきが約 3 ポイントあるため、「大幅に良い」ではなく「わずかに良い」と表現しています。
美観: 差は検出されなかった。 デザイナーのペア比較では、Gen-1 SlidesとOpus 5のスタイル判定の勝率はそれぞれ49%と51%。仕上がり（クラフト）の判定でも有意な差はありませんでした。
表 2. 人間の評価: Gen-1 Slides vs. Claude Opus 5
| ディメンション／指標 | Gen-1 Slides | Claude Opus 5 |
|---|---|---|
| レイアウト: 何らかの問題があるページ（%） | 88 | 81 |
| レイアウト: 深刻以上のページ（%） | 33 | 34 |
| レイアウト: 使用不能なページ（%） | 7 | 15 |
| レイアウト: 同一タスクを並べて比較（勝:負:分） | 24 : 26 : 26 | — |
| 出典への忠実さ: 情報ポイントの捏造率（%） | 13.3 | 17.7 |
| 美観: スタイルチャンネル勝率（各60ペア）（%） | 49 | 51 |
レイアウト行: モデルごとに約42〜48ページを採点。信頼区間はおよそ±14ポイントのため、2〜3ポイントの差は解釈しません。並べて比較の行: 両側二項検定で有意差なし。
人間とグレーダーの判定は3つのディメンションすべてで一致しました。アノテーターは、229ページの監査でグレーダーのページ別レイアウト判定の88%を維持しました。捏造ポイントのサンプル49件中48件では、3人のジャッジの多数決が人間のゴールドスタンダードと一致しました。両者が食い違う場合のパターンは一貫しています。グレーダーは「やや空いているページ」に厳しすぎ、小さなテキストを見落とします。人間同士も意見が分かれることがあり、「一致」という主張の背後には常にこの留保があります。アノテーションの例は付録Eにあります。
ユーザーはどう行動したか。 8月から9月の段階的リリース期間、157万タスクにわたって、Gen-1 SlidesとClaude Opus 5は平均評価、低評価の割合、高評価の比率、ダウンロード率のすべてにおいて区別できませんでした。訓練されていないM3ベースは明確に遅れを取っています。平均★評価で0.45低く、低評価の割合は約5倍、高評価の比率は半分以下。ダウンロード率だけが僅差（30.4%）でした。
表 3. 本番環境のユーザーフィードバック。
| モデル | 平均評価（★） | 低評価（★2以下） | 高評価／低評価の比率 | ダウンロード率 |
|---|---|---|---|---|
| Gen-1 Slides | 4.25 | 3.6% | 19.6 | 33.1% |
| Claude Opus 5 | 4.23 | 3.4% | 18.8 | 31.5% |
| MiniMax M3（既製） | 3.80 | 18.0% | 8.8 | 30.4% |
Genspark AIスライドの本番トラフィックからの実ユーザーフィードバック（2026年8〜9月）。平均評価は5段階の★評価の平均。低評価の割合は★2以下の評価の比率。高評価／低評価の比率は、高評価のクリック数と低評価のクリック数の比。ダウンロード率は完成デッキのうちダウンロードされた割合。各列の最良値は太字。
コスト
Gen-1 Slidesの価格は、ベースモデルの定価と同じに設定されています。入力トークン100万あたり$0.30、出力トークン100万あたり$1.20、キャッシュ済み入力トークン（プロンプトキャッシュのヒット）は$0.06です。Claude Opus 5は入力トークン100万あたり$5.00。誰でも調べられるこの数字のうえで、Gen-1 SlidesはOpus 5のカタログ価格のおよそ1/17です。
ただし、定価はデッキの実際のコストではありません。自分のページをレンダリングし、検査し、修正するモデルは、それらの工程を省くモデルよりもデッキ1件あたり多くのトークンを書き、その点でGen-1 Slidesは比較対象のどのモデルよりも多く自己チェックを行います。そこで私たちは、同じ実本番タスク200件で、私たちのハーネスにおいて完成デッキ1件が実際にいくらかかったかも報告します。
表 4. 完成デッキ1件あたりの実測コスト
| モデル | USD / デッキ | USD / 1,000デッキ | Opus 5の予算$1あたりのデッキ数 | 総合スコア |
|---|---|---|---|---|
| Gen-1 Slides | 0.44 | 435 | 9.5 | 0.821 |
| Claude Opus 5 | 4.16 | 4,155 | 1.0 | 0.810 |
| Kimi K3 | 2.00 | 1,999 | 2.1 | 0.723 |
| GPT-5.6 Sol | 2.01 | 2,006 | 2.1 | 0.668 |
| MiniMax M3（既製） | 0.34 | 338 | 12.3 | 0.563 |
200タスク実行での実測LLM支出。全モデルが同じハーネスを使用。事後学習により、既製のM3チェックポイント比でデッキ1件あたりのコストは約29%増える一方、総合スコアは0.26向上しました。
この測り方では、完成したGen-1のデッキは$0.44、Opus 5は$4.16で、およそ9.5倍安いことになります。これはカタログ価格の17倍差より狭い数字です。Gen-1が自分の成果物のチェックにより多くの予算を使うからです。事後学習は既製M3比でデッキ1件あたりのコストを約29%押し上げましたが、スコアをOpus 5クラスに引き上げました。私たちが両方の数字を報告するのは、それぞれ異なる問いに答えるからです。カタログ価格は「モデルを呼ぶといくらか」を教え、実測支出は「納品できるデッキを手に入れるといくらか」を教えます。
2つのことが際立ちます。社内グレーダーのスコアでGen-1 Slidesを上回る唯一のモデルはClaude Fable 5.1ですが、その差は0.003で、判定できないほど小さく、デッキ1件あたりのコストはおよそ14倍かかります。そして、すべての汎用モデルは、品質でGen-1を下回るか、価格で上回るかのどちらかに位置します。比較対象の中で、「より安く、かつより良い」ものは何ひとつありません。
この差こそが、これが単なるモデルリリースにとどまらない理由です。Opusクラスのスライド品質を、全Gensparkユーザーのデフォルトにできるほど安くします。スライドを大規模に運用する経済性も変わります。月1,000デッキを生産するチームは、品質の測定可能な損失なしに、約$4,200から約$440へとコストが下がります。そして、フロンティア品質で1人のユーザーを支えていた予算で、およそ10人を支えられるようになります。Gen-1モデル群が他の成果物へ広がったとき、これが私たちが築いているビジネスの形です。フロンティア品質を「当たり前の基準」にするビジネスです。
どのようにモデルをトレーニングしたか
Gen-1 Slidesは、社内で構築した約2,000件のスライドタスクを使ってRL（強化学習）でトレーニングされました。ロールアウト（展開実行）はGenspark AIスライドのクラスタ上で、パラメーター更新はFireworksプラットフォーム上で行われました。
広範な探索フェーズの後、最終的なRL実行は96基のNVIDIA B300 GPUで1週間で完了しました。実行を通じて、平均訓練報酬は最初のステップの0.271から、リリース時点のEMA（指数移動平均）0.765まで上昇しました（図3）。報酬の崩壊はなく、チェックポイントの巻き戻しも、実行中のどの時点でも発生しませんでした。
図 3. トレーニング中の報酬。
薄い点は各最適化ステップのロールアウト報酬の平均、濃い線は減衰率0.9のEMA、網掛け帯は15ステップ窓での±1σ。3つの背景色は3つのフェーズ（256k GSPO → 512k GSPO → 512k GSPO＋KLガード）を示します。破線は、200タスクを評価用に取り分けたホールドアウトセットにおけるClaude Opus 5（0.721）とMiniMax M3ベース（0.324）の訓練時報酬で、参考掲載のみです。訓練報酬は訓練タスクで計算されるため、この2つと直接比較できるものではありません。
詳細な技術レポートは近日中に公開します。従来のRL事後学習レシピと比べて、この実行は次の点で改善しています。
オンライングレーダーがポリシーとともに進化し、報酬ハッキングに対抗します。 スライド品質は、異常なほど簡単に攻略（ゲーム）されてしまいます。実行中、ポリシーは次のことを順に学習しました。参照デッキをインポートして完成品になりすますこと、何も確認せずにレポートに「出典検証済み」と書くこと、オーバーフロー検知が発動しなくなるまでフォントサイズを縮めること。これらはいずれもチェックを通過し、ユーザーにより悪いデッキを渡します。したがって報酬ハッキングを一度で根絶することはできず、RLの規模とモデルの能力が成長するにつれ、ハックはより複雑で検出困難になります。そこで私たちはグレーダーを一発で正しくしようとするのではなく、オンラインで更新し、ポリシーとともに進化させています。すべての更新は、グレーダーから独立したシグナルで判定されます。具体的には次のとおりです。
- ウォッチャーエージェントがトレーニングを常時監視する。 ロールアウトのプロセスと出力を継続的に分析し、上記の各パターンはすべてこの方法で捕捉され、オンライングレーダーの更新によっていち早く封じられました。
- 人間のデザイナーが継続的にレビューする。 彼らの判定と提案はオンライングレーダーにフィードバックされ、すべてのグレーダーバージョンの受け入れテストとして機能します。
- コメントから学ぶ：グレーダーのコメントを用いた OPSD。 トレーニング中、スライドの軌跡は数十ターン、数十万トークンに及ぶのに、最後に返ってくるのは「デッキが良いかどうか」だけを伝える単一のスカラー報酬であることに気づきました。このシグナルが運ぶ情報は少なすぎます。モデルは「どれだけうまくできたか」は学べても、「何が悪かったのか」「どう直せばいいのか」は学べません。グレーダーのコメントにはまさにその情報が含まれています。たとえば「4ページ目の本文がキャンバスからはみ出している」「2ページ目は画像だけがあってコンテンツがない」などです。しかしモデルはそれらのコメントを見ることができず、状態空間の中でロールアウトを繰り返し、試行錯誤で改善するしかありません。
そこで Gen-1 Slides では、グレーダーのコメントから直接学ぶことを試みています。グレーダーが具体的な提案を出すと、そのコメントをポリシーに内在化させます。教師と生徒は同じモデルで、教師のコンテキストにはコメントが追加されています。生徒自身のサンプル上で、生徒から教師へのトークン重み付き KL を用いた on-policy self-distillation（OPSD）を実行します。実験では、わずかな回数の勾配更新でグレーダーのコメントをポリシーに取り込めることが分かっており、サンプル効率が大きく向上しました。
「AI っぽさ」への対抗：敵対的な判別器。 ユーザーは多くのAI生成デッキに、同じ「AIが作ったと読めてしまう」という判定を下します。オーディエンスは今や、その見た目を「AIスロップ」と呼びます。その特徴は一貫していますが、有限のルールで捕らえるのは難しいものです。GANスタイルの敵対的報酬学習から着想を得て、ポリシーを生成器とみなし、人間がデザインしたデッキと区別する小さな判別器を訓練し、社内グレーダーのシグナルとして使用し、オンラインで更新しました。最終的な凍結判別器で全チェックポイントを再スコアリングすると、Gen-1 Slidesの出力のうち「AIが作ったと読める」ものの割合は、訓練を通じて0.749から0.417へ低下しました。
報酬の構成要素に対するカリキュラムで最適化の経路を設計する。 多目的RLでは、指標間の衝突がモデルの学習効率を左右します。小さいモデルでの継続的な単一指標実験から、ビジュアルデザインとレイアウト欠陥の間に明確な衝突があることが判明しました。これに基づき、訓練初期には完成度の高いデザインに報酬を与え、スタイルが安定したらレイアウト欠陥の重みを段階的に引き上げます。重みと切替点は訓練実行の指標から選定し、オンライングレーダーの更新を通じて展開しました。
トレーニングの安定性：
- トレーニング環境は本番環境そのものです。 ハーネスを訓練クラスタにコピーするのではなく、ロールアウトは稼働中のサービングスタックで直接実行し、訓練と推論の分布ずれを取り除きます。
- GRPO の代わりに GSPO： トークンレベルではなくシーケンスレベルの重要度比を使用します。報酬は軌跡レベルである一方、GRPOのトークンあたり比率は、数万トークンに及ぶ軌跡に対して高分散の勾配推定を与えます。GSPOは長さ正規化されたシーケンス尤度比、すなわちトークン比率の幾何平均を使用し、モデルが生成したトークンにのみ適用され、ツール出力はマスクされます。最適化の粒度が報酬の粒度に一致し、曲線は滑らかに上昇します。
- **有界な古さ（bounded staleness）を持つ非同期RL。 エピソードの中央値は15分、最長は1時間を超えるため、ロールアウトと訓練は継続的に並行して実行されます。サンプラーはトレーナーより最大1ポリシーバージョン分遅れることが許され、重みは毎ステップ同期され、1バージョンより古いサンプルは破棄されます。
- 切断重要度サンプリング（TIS: truncated importance sampling）が訓練–推論の不整合を補正し、KLはあくまでガードとしてのみ使う。 FP8推論エンジンとBF16トレーナーは、各トークンの対数確率についてわずかに食い違います。これはGSPOのシーケンスレベル比率とは別の、トークンレベルの独立した比率であり、しきい値2.0の切断重要度サンプリングで補正し、単一トークンがバッチの勾配を支配しないようにします。参照KL項はありません。各更新の前に、現在のポリシーとロールアウトポリシーの間のKLを、不偏で低分散のk3 KL推定量で推定し、しきい値を超えるバッチは破棄されます。KLが勾配に入ることはありません。
制約事項
他の誰かに指摘される前に、私たち自身が認めておきます。
- デザインを学び、その結果やりすぎました。 Gen-1 Slidesは比較対象のどのモデルよりも密度の高いページを作ります。文字が小さく、要素が多く、上重心のページが増えます。読者がスマートフォンでスライドを見る場合は、現状では実質的な弱点になり得ます。
- コンテンツとタスク完遂は Opus 5 に届いていません。 ベースモデルはその両方で大きく後れを取っていました。Gen-1 Slidesはコンテンツ品質ではその差のほとんどを、タスク完了ではかなりの部分を埋めましたが、どちらも追いついてはいません。
- スライド向けに作られており、汎用モデルではありません。 私たちが評価し推奨するのはこのタスクだけです。ドキュメント生成とコーディングへの向上の波及は確認しています。スプレッドシートやリサーチでは、ベースモデルに近い性能になる見込みで、それはそれ自体フロンティアモデルには及びません。
使い方
- Genspark AIスライド。 StandardモードはデフォルトでGen-1 Slidesを使用します。Ultra モードでは引き続き、モデル選択画面でフロンティアモデルを並べて選べます。
- コマンドラインとコーディングエージェント。 Genspark CLIをインストールしてログインし、
gsk task create slidesでデッキを作成します。Standardモード、つまりGen-1 Slidesがデフォルトです。Claude Codeなどのコーディングエージェントでは、ACPのgsk-slidesエージェントが多ターン生成と編集を駆動します。 - API。 Genspark ブランドでの OpenRouter 掲載を準備中です。早期アクセスは [email protected] までご連絡ください。
- エンタープライズのワークスペースについて。 Gen-1 Slides のトレーニングと評価に顧客コンテンツは一切使われておらず、お客様のデータがベースモデルの開発元に共有されることもありません。既存のワークスペースにおけるモデル制限はそのまま適用されます。組織が AI Slides を特定のプロバイダーに限定している場合、Standard モードは従来どおり承認済みモデルを使い続けます。ワークスペースでの Gen-1 Slides の有効化・無効化については、担当のアカウントチームにお問い合わせください。
次の展開
Gen-1は一度きりのリリースではなく、シリーズの名前です。同じレシピ、すなわちタスク固有の環境と、納品された成果物に対して計算される報酬の組み合わせは、スプレッドシート、ドキュメント、リサーチへと広がります。これらのタスク向けのモデルはすでに訓練中です。
スライドに関しては、このチェックポイントは出発点です。同じ本番ハーネスと3つのシグナルに対して訓練を続け、平均だけでなく全ディメンションでフロンティアモデルに並び、追い抜くことを目指します。新しいチェックポイントがその基準をクリアすると、上位のティアへと昇格し、各リリースがStandardモードの基準を引き上げていきます。
次は、PowerPoint（OOXML）への直接出力です。モデルがデザインしたデッキが、PowerPointで開き直してもそのまま保たれるようにします。
Genspark AIスライドをご利用の方は、設定は何も必要ありません。Standardモードを開けば、次のデッキはすでにGen-1で作られます。皆さんがどんなものを作るのか、楽しみにしています。
Genspark AIスライド で Gen-1 Slides を試す →
謝辞
Gen-1 Slides は Fireworks AI と共同でトレーニングしました。ベースは、エージェント型ツール呼び出しのために設計された、オープンウェイトでネイティブ長文脈のMoEベースであるMiniMax M3です。これにより事前学習を省略し、予算のすべてをスライドループに投入できました。こうしたオープンなベースがなければ、Gen-1 Slidesを数週間で構築することはできませんでした。重みをオープンに公開してくれた開発者の皆さん、そしてベンチマークとグレーダーをオープンソース化してくれたPPTAgentプロジェクトとUniPPTBenchの作者の皆さんに感謝します。モデルは米国のインフラ上で稼働し、ベースモデルの開発元にはデータが流れません。
付録
A. 評価設定
本番のスライドスタックで最も重要な4モデル、Claude Opus 5、Kimi K3、GPT-5.6 Sol、MiniMax M3に、訓練したGen-1 Slidesを加えた計5モデルをテストしました。データセット側は社内外の両ソースから、社内タスク200件と2つの公開ベンチマーク254件、合計454タスクを使用しました。グレーダー側は、社内グレーダーに公開ベンチマーク付属の2つのグレーダーを組み合わせました。結果は5モデル×3データセット×3グレーダーの評価グリッドです。すべてのデッキは同じGensparkスライドハーネスから出力されるため、変わるのはモデルだけです。45セルすべてに、グレーダーが定義する各ディメンションのスコアと総合スコアが入ります。
B. データセットとグレーダー
使用するデータセットは3つです。Real tasks（実タスク）、UltraPresent、UniPPTBench。
Real tasks（200件・独自）: AIデータ保持を有効にしている一般ユーザーからの匿名化タスク。Team・Enterpriseのデータは決して使いません。3つの中で、実際のユーザーの意図分布を反映しているのはこれだけです。
UltraPresent（128件）: arXiv 2602.22839。各タスクは、自然言語の指示（ブリーフ）と、スライド数やアスペクト比といったハード制約を英語・中国語で組み合わせたものです。バリデーション分割をすべて使用します。同じ作者が、PPTEvalを導入した人気のPPTAgentを作っており、UltraPresentはその初期論文由来のグレーダーであるPPTEvalで採点します。
UniPPTBench（126件）: arXiv 2605.17356。この論文がタスクセットとその評価器（UniPPTEval）の両方を定義しており、あいまいなプロンプト、長文ドキュメント、マルチモーダルドキュメント、マルチソースの4つの入力設定をカバーします。全126タスクを使用します。
グレーダーについては、社内グレーダーに加えて、2つの公開ベンチマークとともに公開された公式グレーダーを使用します。
社内グレーダーv3.2 — 4ディメンション（タスク完了、コンテンツ品質、ビジュアルデザイン、プロセス品質）を0–1スケールで採点します。システムの実ユーザー体験に合わせて調整され、そのスコアはGen-1 SlidesのRL訓練の報酬も兼ねます。マルチモーダルLLMジャッジはclaude-fable-5です。
PPTEval（PPTAgentのグレーダー） — 3ディメンション（コンテンツ、デザイン、一貫性）を1–5スケールで採点します。論文が当時使用していた時代遅れのGPT-4oジャッジをclaude-fable-5に置き換えましたが、ルーブリックは変更していません。
UniPPTEval（UniPPTBenchのグレーダー） — UniPPTBenchとともに公開された公式グレーダーで、基本10ディメンションに視覚的一貫性ディメンションを加え、10点スケールです。Real tasksとUltraPresentの採点では、それらのデータセットに対応するシナリオ仕様がないため、シナリオディメンションは採点対象外（N/A）とします。内部的には論文が指定するマルチモーダルLLMジャッジ（gemini-3-flash-preview）を使用しています。
C. ディメンション別フル表
これらの表の読み方。 3つのグレーダーは異なるスケール（0–1、1–5、0–10）を使うため、グレーダーをまたいでスコアを平均することはせず、列内のランクのみを比較します。データセットサイズはフルサイズ（200／128／126）で表示しています。推論努力設定は本番と一致しており、「評価の方法」に記載しています。
C1. 社内グレーダーv3.2スコア（0–1スケール）
Real tasks（n=200）
| モデル | スコア | タスク完了 | コンテンツ品質 | ビジュアルデザイン | プロセス品質 |
|---|---|---|---|---|---|
| Gen-1 Slides | 0.821 | 0.780 | 0.737 | 0.756 | 0.719 |
| Claude Opus 5 | 0.810 | 0.849 | 0.782 | 0.688 | 0.695 |
| Kimi K3 | 0.723 | 0.840 | 0.784 | 0.557 | 0.748 |
| GPT-5.6 Sol | 0.668 | 0.820 | 0.743 | 0.479 | 0.748 |
| MiniMax M3（既製） | 0.563 | 0.741 | 0.668 | 0.494 | 0.608 |
UltraPresent（n=128）
| モデル | スコア | タスク完了 | コンテンツ品質 | ビジュアルデザイン | プロセス品質 |
|---|---|---|---|---|---|
| Gen-1 Slides | 0.932 | 0.874 | 0.804 | 0.898 | 0.768 |
| Claude Opus 5 | 0.883 | 0.878 | 0.800 | 0.876 | 0.615 |
| Kimi K3 | 0.874 | 0.888 | 0.833 | 0.765 | 0.792 |
| GPT-5.6 Sol | 0.798 | 0.860 | 0.800 | 0.671 | 0.765 |
| MiniMax M3（既製） | 0.777 | 0.852 | 0.766 | 0.722 | 0.664 |
UniPPTBench（n=126）
| モデル | スコア | タスク完了 | コンテンツ品質 | ビジュアルデザイン | プロセス品質 |
|---|---|---|---|---|---|
| Gen-1 Slides | 0.867 | 0.846 | 0.816 | 0.814 | 0.722 |
| Claude Opus 5 | 0.859 | 0.884 | 0.812 | 0.866 | 0.518 |
| Kimi K3 | 0.855 | 0.884 | 0.845 | 0.751 | 0.768 |
| GPT-5.6 Sol | 0.780 | 0.836 | 0.798 | 0.662 | 0.726 |
| MiniMax M3（既製） | 0.579 | 0.817 | 0.713 | 0.513 | 0.616 |
スコアは4ディメンション（タスク完了、コンテンツ品質、ビジュアルデザイン、プロセス品質）の重み付きブレンドで、レイアウト欠陥・捏造・不実表示・指示無視のペナルティとクリーンデッキのボーナスで調整され、上限は1です。
C2. PPTEvalスコア（1–5スケール）
Real tasks
| モデル | PPTEval平均 | コンテンツ | デザイン | 一貫性 |
|---|---|---|---|---|
| Gen-1 Slides | 3.783 | 3.423 | 3.915 | 4.010 |
| Kimi K3 | 3.714 | 3.429 | 4.039 | 3.674 |
| Claude Opus 5 | 3.655 | 3.412 | 3.808 | 3.746 |
| MiniMax M3（既製） | 3.655 | 3.274 | 3.681 | 4.010 |
| GPT-5.6 Sol | 3.416 | 3.283 | 3.547 | 3.420 |
UltraPresent
| モデル | PPTEval平均 | コンテンツ | デザイン | 一貫性 |
|---|---|---|---|---|
| Gen-1 Slides | 3.812 | 3.483 | 3.952 | 4.000 |
| Kimi K3 | 3.770 | 3.524 | 4.005 | 3.782 |
| Claude Opus 5 | 3.701 | 3.460 | 3.843 | 3.800 |
| MiniMax M3（既製） | 3.677 | 3.305 | 3.652 | 4.073 |
| GPT-5.6 Sol | 3.440 | 3.359 | 3.487 | 3.473 |
UniPPTBench
| モデル | PPTEval平均 | コンテンツ | デザイン | 一貫性 |
|---|---|---|---|---|
| Gen-1 Slides | 3.840 | 3.441 | 3.860 | 4.218 |
| Kimi K3 | 3.796 | 3.525 | 3.903 | 3.960 |
| MiniMax M3（既製） | 3.687 | 3.285 | 3.518 | 4.258 |
| Claude Opus 5 | 3.610 | 3.389 | 3.506 | 3.936 |
| GPT-5.6 Sol | 3.459 | 3.358 | 3.455 | 3.564 |
C3. UniPPTEvalスコア（0–10スケール）
Real tasks — シナリオディメンションN/A（このデータセットにシナリオ仕様なし）
| モデル | 総合スコア | ベース平均 | 視覚的一貫性 |
|---|---|---|---|
| Gen-1 Slides | 8.858 | 8.834 | 9.099 |
| Claude Opus 5 | 8.709 | 8.699 | 8.804 |
| Kimi K3 | 8.684 | 8.623 | 9.287 |
| MiniMax M3（既製） | 8.401 | 8.428 | 8.128 |
| GPT-5.6 Sol | 7.697 | 7.707 | 7.598 |
UltraPresent — シナリオディメンションN/A
| モデル | 総合スコア | ベース平均 | 視覚的一貫性 |
|---|---|---|---|
| Gen-1 Slides | 8.954 | 8.993 | 8.571 |
| Claude Opus 5 | 8.915 | 8.936 | 8.718 |
| Kimi K3 | 8.821 | 8.890 | 8.152 |
| MiniMax M3（既製） | 8.452 | 8.491 | 8.060 |
| GPT-5.6 Sol | 7.825 | 7.829 | 7.817 |
UniPPTBench
| モデル | 総合スコア | ベース平均 | 視覚的一貫性 | シナリオ平均 |
|---|---|---|---|---|
| Kimi K3 | 8.995 | 9.026 | 9.288 | 6.759 |
| Gen-1 Slides | 8.834 | 8.964 | 8.822 | 6.363 |
| Claude Opus 5 | 8.805 | 8.817 | 8.397 | 6.916 |
| MiniMax M3（既製） | 8.499 | 8.587 | 8.418 | 6.326 |
| GPT-5.6 Sol | 8.069 | 8.028 | 7.987 | 6.259 |
C3b. UniPPTEvalの基本10サブディメンション（0–10）
C3のベース平均はこの10ディメンションの平均です。ディメンション別監査のために内訳を示します。列: 指示充足、コンテンツ正確性、情報密度、明瞭性・可読性、ナラティブ一貫性、エンゲージメント、視覚的整合性、レイアウト品質、階層・強調、視覚要素品質。
Real tasks
| モデル | 指示 | 正確性 | 密度 | 明瞭性 | ナラティブ | エンゲージ | 整合性 | レイアウト | 階層 | 視覚要素 |
|---|---|---|---|---|---|---|---|---|---|---|
| Gen-1 Slides | 9.741 | 9.135 | 8.870 | 8.710 | 9.565 | 8.378 | 9.503 | 9.078 | 8.990 | 6.373 |
| Claude Opus 5 | 9.736 | 9.145 | 8.829 | 8.580 | 9.497 | 7.917 | 9.135 | 8.772 | 8.700 | 6.679 |
| Kimi K3 | 9.596 | 9.072 | 8.731 | 8.845 | 9.342 | 7.617 | 9.300 | 8.964 | 8.793 | 5.974 |
| GPT-5.6 Sol | 9.119 | 8.912 | 7.668 | 7.197 | 8.896 | 7.135 | 8.026 | 7.249 | 7.492 | 5.378 |
| MiniMax M3（既製） | 9.420 | 8.482 | 8.596 | 8.197 | 9.378 | 7.824 | 9.124 | 8.461 | 8.539 | 6.259 |
UltraPresent
| モデル | 指示 | 正確性 | 密度 | 明瞭性 | ナラティブ | エンゲージ | 整合性 | レイアウト | 階層 | 視覚要素 |
|---|---|---|---|---|---|---|---|---|---|---|
| Gen-1 Slides | 9.907 | 8.667 | 9.263 | 8.927 | 9.621 | 8.724 | 9.569 | 9.345 | 9.351 | 6.638 |
| Claude Opus 5 | 10.000 | 9.182 | 9.276 | 8.793 | 9.627 | 8.373 | 9.379 | 8.862 | 9.000 | 6.911 |
| Kimi K3 | 9.980 | 9.231 | 9.017 | 9.086 | 9.561 | 8.121 | 9.492 | 9.345 | 9.069 | 6.158 |
| GPT-5.6 Sol | 9.700 | 8.836 | 7.982 | 7.085 | 9.017 | 7.825 | 7.862 | 6.949 | 7.536 | 5.786 |
| MiniMax M3（既製） | 9.782 | 8.000 | 8.982 | 8.362 | 9.559 | 8.271 | 9.368 | 8.321 | 9.017 | 5.288 |
UniPPTBench
| モデル | 指示 | 正確性 | 密度 | 明瞭性 | ナラティブ | エンゲージ | 整合性 | レイアウト | 階層 | 視覚要素 |
|---|---|---|---|---|---|---|---|---|---|---|
| Gen-1 Slides | 9.871 | 8.766 | 9.121 | 8.581 | 9.718 | 8.839 | 9.444 | 8.968 | 8.952 | 7.379 |
| Claude Opus 5 | 9.702 | 8.903 | 9.024 | 8.210 | 9.710 | 8.637 | 9.097 | 8.452 | 8.573 | 7.863 |
| Kimi K3 | 9.839 | 9.008 | 9.169 | 8.831 | 9.702 | 8.508 | 9.548 | 9.306 | 9.089 | 7.258 |
| GPT-5.6 Sol | 9.419 | 9.089 | 8.000 | 6.814 | 9.419 | 8.065 | 8.113 | 7.073 | 7.484 | 6.806 |
| MiniMax M3（既製） | 9.710 | 8.516 | 8.726 | 8.008 | 9.734 | 8.565 | 9.145 | 8.065 | 8.653 | 6.740 |
C4. 列別ランクと平均ランク
ランクは各列内で（スコアの高い順に）取られ、9列で平均されます。低いほど良い。
| グレーダー×データセット | Gen-1 Slides | Claude Opus 5 | Kimi K3 | GPT-5.6 Sol | MiniMax M3（既製） |
|---|---|---|---|---|---|
| 社内v3.2· Real tasks | 1 | 2 | 3 | 4 | 5 |
| 社内v3.2· UltraPresent | 1 | 2 | 3 | 4 | 5 |
| 社内v3.2· UniPPTBench | 1 | 2 | 3 | 4 | 5 |
| PPTEval· Real tasks | 1 | 3 | 2 | 5 | 4 |
| PPTEval· UltraPresent | 1 | 3 | 2 | 5 | 4 |
| PPTEval· UniPPTBench | 1 | 4 | 2 | 5 | 3 |
| UniPPTEval· Real tasks | 1 | 2 | 3 | 5 | 4 |
| UniPPTEval· UltraPresent | 1 | 2 | 3 | 5 | 4 |
| UniPPTEval· UniPPTBench | 2 | 3 | 1 | 5 | 4 |
| 平均ランク | 1.11 | 2.56 | 2.44 | 4.67 | 4.22 |
D. 図1の補足
縦軸: 社内グレーダー（v3.2）の総合スコアで、各点は11モデルすべてが完了した実タスクの平均です。本文と表は別の5モデル実行（n=200、Gen-1 Slides 0.821、Claude Opus 5 0.810）を使用しているため、そこに描かれる値はここにプロットされた値とバッチが異なり、その差は生成のばらつきの範囲内です。軸は0.45–0.9に切り詰めています。横軸: 入力トークンのカタログ価格（100万トークンあたりUSD、対数スケール）。Claude Opus 5を主ベースラインとするのは、それがGenspark AIスライドが現在最大規模で稼働させているモデルであり、スライド品質とコストに関する実際の本番規模データがあるためです。Claude Fable 5／5.1は実タスクのデータが限られており、参考掲載のみです。
E. 人間評価: 手法と一致度の監査
スライドのアノテーション方法: レイアウト
レビュアーはレンダリングされたスライドを調べ、具体的なレイアウト欠陥を確認し、グレーダーのフラグを検証して、見落としを追加します。以下の例は同じページの4つの問題を示しています。3つはAIグレーダーがフラグし、1つは人間のレビューが追加しました。これらは可読性と配置のチェックであり、元資料の主張が裏付けられているかどうかの判定とは別のものです。
アノテーション例: Q3 2026 at a Glance（2026年第3四半期の概要）。番号1〜4は後述の領域を指し示すもので、深刻度スコアではありません。AIグレーダーは1、3、4をフラグしました。人間のレビュアーは2を追加しました。説明は提供されたアノテーションノートに従います。
1. 重なりとオーバーフロー: AIがフラグ。 右下の「Sales Mix by Channel（チャネル別売上構成）」の表はカードより高さがあります。最終行の「Catering 3% 3%」がカードの外にはみ出し、下の要点テキストに重なって、同じ空間に2層のテキストが生まれ、読みにくくなっています。
2. 文字が小さすぎる: AIが見落とし、人間が追加。 左の棒グラフの値ラベル、地域名、縦軸の目盛りラベルは、アノテーションノートによるとページ本文の17〜19pxに対して10〜11pxしかありません。投影したときに読みにくいものです。グレーダーはフラグせず、レビュアーが追加しました。
3. 過剰な空白: AIがフラグ。 右上の折れ線グラフがカードの左側に寄せられ、右端のおよそ3分の1が使われていません。アノテーションはこのチャートカード内の不均衡を指摘するもので、「すべての空白が欠陥」というルールではありません。
4. アライメントとグリッドの不整合: AIがフラグ。 上部のKPIカードが一貫したグリッドを形作っていません。2枚目のカードが高く、下端が他より下に張り出し、カード間の隙間も不均等です。
人間レビューが加えるもの。 ページは一貫した配色を持っていても、基本的な可読性チェックを失敗し得ます。ここでは人間のレビューが、グレーダーが見落とした小さな文字の欠陥を、重なり・空白・アライメントのフラグに加えて追加しています。この例はラベルがどう割り当てられるかを示すもので、レイアウトの集計結果は後述のとおり別途報告されています。
スライドのアノテーション方法: 出典への忠実さ
レビュアーは、提供されたソース資料に対して個々の主張を検証し、直接裏付けられた事実、裏付けのある推論、捏造（ソースに記載も裏付けもない主張）を区別します。以下の例は7つのチェックと、人間のレビューが自動判定を変更した2つのケースを示しています。
アノテーション例: Strategic Options Matrix（戦略オプションマトリクス）。緑（1〜2）: 直接裏付けられた事実。黄（3）: 裏付けのある推論。赤（4〜5）: 捏造。紫（6〜7）: 人間とグレーダーの判断の相違であり、4つ目のラベルではありません。以下の説明は提供されたアノテーションノートを要約したものです。
1. 車両台数: 直接裏付け。 ソースは22両と述べており、そのうち18両が日常運行、4両が予備です。人間とグレーダーは一致。
2. 稼働率: 直接裏付け。 2024年の82%と2026年上半期の54%の両方がソース由来です。アノテーションはスライドの「FY2024」表記を「2024」と同等と扱います。人間とグレーダーは一致。
3. 28ポイントの減少: 裏付けのある推論。 ソースは28とは述べていませんが、82から54を引いた結果として導かれます。人間とグレーダーは一致。
4. 貨物転換の設備投資 NGN 8,500万〜1億2,000万: 捏造。 ソースは投資額を示しておらず、モデルに推定を求めてもいません。人間とグレーダーは一致。
5. 12〜14両への縮小: 捏造。 ソースは現在の車両台数を示すもので、目標台数も、それを導くのに十分な証拠もありません。人間とグレーダーは一致。
6. B2Bチャーターの利益率「強い」: 捏造から人間が修正。 グレーダーは当初これを裏付けのある推論として受け入れました。タスクが利益率の列を含む比較マトリクスを求めていたからです。レビュアーはその論拠を却下しました。列の依頼は、特定の評価の証拠ではありません。裏付けとなる事実がなければ、セルは空白か「要評価」とすべきです。このルールが明確化された後、グレーダーもこれを捏造とラベル付けしました。
7. 旅客部門の営業利益率「低下」: 数学的に裏付けられており、捏造ではない。 月間旅客収入は35.7%減少した一方、ユーザー提供の同一基準データでは、同事業の営業コストはわずか11%しか減少していません。これにより、利益率自体は直接報告されていなくても、より低い営業利益率が数学的に成立します。
境界の重要性。 同じ列の中で、人間のレビューは1つの裏付けのない評価を却下し、別の評価を証拠に基づくものとして受け入れました。レビュアーは列全体を一括で受け入れたり却下したりせず、各主張の裏付けを個別に検証します。
