Ko veidnes lapa ir parādā lasītājam

PPT AI publicē 3926 prezentāciju veidnes, katrai no tām ir sava lapa vietnē ppt.sophoninc.com. Lapai, kuras uzdevums ir parādīt dizainu, joprojām ir jābūt lasāmai kādam, kurš vēl nevar redzēt dizainu vai kurš izvēlas starp diviem no tiem. Tas nozīmē vismaz: kam prezentācija ir domāta, kas ir katrā slaidā, cik slaidu un kādā izmērā, ko var mainīt un kā sākt. Šis ieraksts ir par to, kā mēs noskaidrojām, cik tālu mūsu lapas bija no tā, un ko mēs izmērījām, pirms kaut ko pievienot.

Ko veidnes lapa atveido šodien

2026. gada 16. septembrī tika ielādētas un saskaitītas četras veidņu lapas. Skaitīšanas metode: noņemt script un style elementus, noņemt atlikušos tagus, atšifrēt HTML entītijas, atlasīt vārdu marķierus, kas atbilst [A-Za-z0-9][A-Za-z0-9’'&-]*, un pirms unikālo vārdu skaitīšanas pārveidot tos par mazajiem burtiem. Marķierizētājs ir norādīts, jo unikālo vārdu skaits mainās par dažiem vārdiem atkarībā no tā.

“Shared chrome” ir 60 atšķirīgi vārdi, kas ir kopīgi visām četrām lapām: navigācija, kājene, atpakaļceļš un divi aicinājumi uz darbību. Atmetot tos, katrā lapā no 19 līdz 31 atšķirīgs vārds ir par šo veidni. Pārējā lapas daļa ir vienāda 3926 lapās.

Kontekstam: trīs mēnešos līdz 2026. gada 16. septembrim šīs lapas piesaistīja 484 seansus un 7 klikšķus ar vidējo pozīciju 20,2, aptverot 187 unikālas lapas un 12 unikālus vaicājumus. Šis skaitlis nāk no Google Search Console īpašumam sc-domain:sophoninc.com, filtrēts uz ppt.sophoninc.com/templates/. Search Console ir redzams tikai īpašuma īpašniekiem; īpašums, filtrs un datumu diapazons ir norādīti, lai ikviens, kam ir piekļuve, varētu to atkārtot, kas ir tik pārbaudāmi, cik šis avots pieļauj.

Jautājums, uz kuru auditam bija jāatbild

Katras veidnes slaidos ir teksts: virsraksti, iezīmes, pamatteksts, kas rakstīts, lai aizpildītu dizainu. Tas tiek publiski pasniegts adresē /api/v2/templates/<slug>/slides/<n>, un tā ir acīmredzama lieta, ko ievietot lapā. Pirms to darīt, ir jāatbild uz vienu iebildumu: 3926 lapas ar ģenerētu prezentācijas tekstu varētu būt 3926 gandrīz identiskas lapas, kas ir sliktāk nekā 3926 lapas ar plānu saturu.

Tātad: cik daudz teksta veidnei ir kopīga ar veidni, kurai tā visvairāk līdzinās?

Kāpēc vienmērīgs izlases paraugs sniedz nepareizu atbildi

Naivā metode ir nejauši atlasīt veidnes un salīdzināt pārus. Šī metode nevar atrast dublēšanos šajā korpusā, un ir vērts precīzi paskaidrot, kāpēc.

Bibliotēka ir sakārtota pēc kategorijas, pēc receptes un pēc stila saimes. Nejaušs pāris, kas izvēlēts no 3926 vienumiem, pārsvarā ir pāris no dažādām kategorijām par dažādām tēmām. Šiem pāriem gandrīz nav nekā kopīga, neatkarīgi no tā, cik dublējošs ir korpuss. Mēs to izmērījām: 392 nejaušiem starpsaimju pāriem mediānā 5-gramu ietveršana ir 0,00 % un maksimālā – 0,3 %. Vienmērīgs izlases paraugs atgriež “the corpus is unique” kā izlases artefaktu, nevis kā atklājumu.

Pāri, kas atklātu dublēšanos, ir tuvākie kaimiņi, un tie ir niecīga daļa no visiem pāriem. Tāpēc izlase tika svērta par labu tiem. Veidnes tika grupētas pēc kategorijas, receptes saīsnes un stila saimes, un tika izveidotas 33 grupas četros veidos:

• numurēti dvīņi, kur saīsnes atšķiras tikai ar beigu -2 vai -3 (8 grupas)
• tā pati recepte un tā pati stila saime (4 grupas)
• tā pati stila saime, cita recepte (13 grupas)
• pārklājuma grupas, viena katrai kategorijai, lai neviena kategorija nepaliktu neizmērīta (8 grupas)

Pēc tam tika iegūts slaidu teksts katram katras grupas dalībniekam: 232 veidnes, 1034 slaidu, 0 iegūšanas kļūdu, 2026. gada 16. septembrī. Tie ir 5,9% no korpusa, kas izvēlēti kā sarežģītākie 5,9%.

Izšķirošā caurskate

Ar izlases svēršanu vien joprojām nepietiek, jo veidnes patiesais tuvākais kaimiņš varētu būt tāds, kas netika ielādēts, un tas nepietiekami novērtētu pārklāšanos. Tāpēc otrajā piegājienā salīdzinājums tika ierobežots ar klasteriem, kur katrs dalībnieks bija ielādēts: 46 pilnīgi klasteri, 117 veidnes. Tajos ir garantēts, ka veidnes tuvākais kaimiņš visā 3926 veidņu korpusā atrodas izmērītajā kopā.

Metrika ir 5 grammu ietveršana: veidnes unikālo piecu vārdu secību daļa, kas sastopama arī tās tuvākajā līdziniekā. Ietveršana, nevis Žakāra indekss, jo tā ir asimetriska — īsai veidnei, kas pilnībā ietverta garā, vajadzētu tikt uzskatītai par pilnībā dublētu, bet Žakāra indekss to uzrādītu kā daļēji unikālu.

Šo 117 veidņu rezultāti, salīdzinot ar patieso tuvāko kaimiņu korpusā:

3 grammu pārbaude ir paredzēta, lai atrastu pārveidotu, nevis atkārtoti izmantotu tekstu; tā maina skaitļus, bet ne secinājumu. Sliktākais pāris korpusā ir poster-quote-typography-modern-gradient pret poster-bold-text-modern-gradient ar 8,82%.

Visās 232 veidnēs: no 3448 unikāliem teikumiem, kas sastāv no sešiem vai vairāk vārdiem, 2 parādās vairāk nekā vienā veidnē — “the results relate only to the items tested” un “no other graphic elements should intrude into this zone”. Slaidu līmenī: no 992 slaidiem, kuros ir 20 vai vairāk vārdu, mediānā ietveršana ar tuvāko slaidu jebkurā citā veidnē ir 0,0%; 8 slaidos tā ir virs 20% un nevienā nav virs 50%. Tematiskā līdzība, mērot ar vārdu maisa kosinusu, kas ignorē formulējumu, ir augstāka, kā tam vajadzētu būt divām CV veidnēm: mediāna 12,7% pret tuvāko tās pašas saimes līdzinieku, maksimums 35,3%.

Godīgs ierobežojums: šis ir par 232 no 3926 veidnēm un 117 garantēti tuvākajā kopā. Tas ir pierādījums par korpusa sarežģītāko daļu, nevis pierādījums par to visu.

Ko mēs nolēmām

Audits novērš iebildumu par dublēšanos pret slaidu teksta publicēšanu. Mēs nepublicējām slaidu pamattekstus. Mēs publicējām slaidu nosaukumus, kas jau pastāvēja veidnes ierakstā un tika ielādēti un atmesti.

Pirms publicēšanas pārbaudīts visās 3926 veidnēs: 14 969 nosaukumi, neviens nav tukšs, neviens nav tikai “Slide N” vai “Page N”, un katrā no tām slide_titles.length ir vienāds ar slide_count. Tika reģistrēti, nevis izlīdzināti divi ierobežojumi: 156 nosaukumi (1,0%) beidzas ar “… Page N”, un 77 veidnēs (2%) tā beidzas katrs nosaukums. 1321 veidnei (34%) ir viens slaids, un tām saraksta nav vispār.

Tādējādi izmaiņas skar 2605 lapas un katrai pievieno mediāni 15 vārdus, vidēji 10,4 vārdus uz lapu visā korpusā. Tas ir reāli, un tas ir maz. Tas pats par sevi neizceļ lapu no zema satura teritorijas, un, iespējams, noderīgākā daļa ir tā, ka uz nosaukumiem var noklikšķināt: lai pārietu uz 7. slaidu, iepriekš bija sešas reizes jānospiež “Nākamais”.

Tas pats zars satur saites uz veidnēm, uz kurām neveda neviena cita saite. Pārlūkošanas saskarnes fiksēja aspect_ratio uz 16:9, kas ir aptuveni 45% no bibliotēkas, tāpēc pārējās neparādījās nevienā centrmezgla lapā un nevienā saistītajā blokā: /templates?category=document un ?category=poster atgrieza “coming soon” lapu bez nevienas saites uz veidnēm. Lapa, uz kuru neved neviena iekšējā saite, lasītājam neko nav parādā, jo neviens lasītājs tajā nenonāk.

Nav ieviests, un viens jautājums joprojām ir atklāts

Nekas no šī nav publicēts. Tas ir pull request 10 repozitorijā Sophon-LLC/ppt-ai, atvērts 2026. gada 15. septembrī un joprojām atvērts 2026. gada 16. septembrī, trīs “commit”, pārbaudīts ar tipu pārbaudi, “lint” palaišanu un ražošanas būvējumu, kas darbināts ar reālo datu krātuvi. Kamēr tas nav apvienots, lapas ir tādas, kā izmērīts šī ieraksta sākumā.

Atklātais jautājums ir tas, uz kuru audits neatbild. Izmērītajā kopā ir mediāni 288 vārdi pamatteksta katrā veidnē, salīdzinot ar 19 līdz 31 veidnei specifisku vārdu, ko lapa šobrīd attēlo. Audits norāda, ka teksts nedublējas. Tas nenorāda, ka teksts, kas rakstīts, lai aizpildītu izkārtojumu, cilvēkam šķiet saturs, nevis aizpildītājteksts, un to neviens nav mērījis. Publicēt 3926 lapas ar šādu tekstu, pamatojoties tikai uz dublēšanās rezultātu, nozīmētu atbildēt uz jautājumu, kuru mēs neuzdevām.