Hugging Face发布RAP：革新学术海报生成的数据集与基准测试

摘要：Hugging Face推出了RAP（Reconstruct A Poster），一个用于学术海报生成的数据集与基准测试。RAP包含超过25,000对经过验证的论文-海报对，涵盖2022至2026年间的多个机器学习会议，并采用三级内容分类法进行标注。该数据集支持全自动反渲染流程，将海报转换为可编辑的HTML/CSS模板，为AI生成学术海报提供了新的训练和评估标准。RAP还引入了PosterRAG和SFT+RL两种训练方法，分别用于检索式和模型训练式生成，提升了海报生成的质量与效率。

---

RAP：学术海报生成的新基准

1. 背景与挑战

学术海报生成是一项复杂的视觉编码任务，需要将整篇论文压缩到单页中，同时兼顾摘要提炼、视觉设计和代码实现。然而，现有的基准测试资源有限，多以布局框标注为主，难以进行客观的渲染与对比评估。此外，现有方法通常从头设计布局，无法利用人类制作的海报作为可检索的设计库或验证监督。

2. RAP数据集与基准测试

RAP（Reconstruct A Poster）旨在解决上述问题，提供了包含25,000多对经过验证的论文-海报对的数据集，涵盖2022至2026年间的多个机器学习会议。RAP采用三级内容分类法进行标注，并包含一个包含150篇测试论文及其对应人类制作海报的留出集。

3. 全自动反渲染流程

RAP引入了一个全自动反渲染流程，将每张海报转换为带有类型化、可填充插槽的HTML/CSS代码。这种方法确保了每个样本都是可验证的论文-海报-标记三元组，通过与源海报的渲染对比进行验证。

4. 训练与推理方法

RAP支持两种训练方法：

• PosterRAG：一种无需训练的多代理管道，用于检索示例并填充插槽，而不改变布局或样式。
• SFT+RL闭环：一种基于监督微调（SFT）和强化学习（RL）的闭环方法，用于训练专用模型。

5. 技术创新与优势

• 数据规模与多样性：RAP的数据集规模庞大，涵盖了多种机器学习会议的海报，提供了丰富的训练样本。
• 自动化反渲染：全自动反渲染流程确保了数据的一致性和可验证性。
• 多方法支持：提供了检索式和模型训练式两种生成方法，满足不同需求。

6. 开发者建议

RAP为AI开发者提供了一个强大的工具集，建议开发者利用PosterRAG进行快速原型开发，并使用SFT+RL闭环进行精细化模型训练。同时，建议关注反渲染流程的细节，以确保生成的海报在视觉和内容上的一致性。

结论

RAP的发布为学术海报生成领域提供了新的基准测试和数据支持，推动了AI在视觉编码任务中的应用与发展。

---

消息来源：Hugging Face Daily Papers (2026-10-16)

—— 完 ——

主题标签： #Hugging Face 关注 #数据集 关注 #学术海报生成 关注 #视觉编码 关注 #AI生成 关注