Hva en malside skylder en leser

PPT AI publiserer 3 926 presentasjonsmaler, hver med sin egen side på ppt.sophoninc.com. En side som har som jobb å vise et design, må fortsatt være lesbar for noen som ikke kan se designet ennå, eller som velger mellom to av dem. Det betyr minst: hva presentasjonen er for, hva som er på hvert lysbilde, hvor mange lysbilder og i hvilken størrelse, hva som kan endres, og hvordan man starter. Dette innlegget handler om å finne ut hvor langt sidene våre var fra det, og hva vi målte før vi la til noe.

Hva en malside gjengir i dag

Fire malsider ble hentet og talt 16. september 2026. Tellemetode: fjern script- og style-elementer, fjern de gjenværende taggene, dekod HTML-entiteter, ta ord-tokens som matcher [A-Za-z0-9][A-Za-z0-9’'&-]*, og gjør dem om til små bokstaver før man teller distinkte. Tokenisereren er oppgitt fordi antallet distinkte ord endrer seg med noen få ord avhengig av den.

«Shared chrome» er de 60 unike ordene som er felles for alle fire sidene: navigasjonen, bunnteksten, brødsmulestien og de to oppfordringene til handling. Fjerner du disse, handler mellom 19 og 31 unike ord på hver side om den malen. Resten av siden er den samme på 3926 sider.

For kontekst: I løpet av de tre månedene frem til 16. september 2026 fikk disse sidene 484 visninger og 7 klikk, med en gjennomsnittlig posisjon på 20,2, fordelt på 187 unike sider og 12 unike søk. Tallet kommer fra Google Search Console for sc-domain:sophoninc.com, filtrert til ppt.sophoninc.com/templates/. Search Console er kun synlig for eiendommens eiere. Eiendommen, filteret og datoperioden er oppgitt slik at alle med tilgang kan gjenskape resultatet, noe som er så etterprøvbart som den kilden blir.

Spørsmålet revisjonen måtte besvare

Hvert lysbilde i en mal inneholder tekst: overskrifter, etiketter og brødtekst skrevet for å fylle ut designet. Den serveres offentlig på /api/v2/templates/<slug>/slides/<n>, og det er det opplagte valget å legge på siden. Før vi gjør det, må én innvending besvares: 3926 sider med generert presentasjonstekst kan bli 3926 nesten identiske sider, noe som er verre enn 3926 sider med tynt innhold.

Så: Hvor mye tekst deler en mal med den malen den ligner mest på?

Hvorfor et uniformt utvalg gir feil svar

Den naive metoden er å velge ut tilfeldige maler og sammenligne par. Den metoden kan ikke finne duplisering i dette korpuset, og det er verdt å være presis om hvorfor.

Biblioteket er organisert etter kategori, oppskrift og stilfamilie. Et tilfeldig par trukket fra 3926 elementer er i de aller fleste tilfeller et par fra ulike kategorier om ulike emner. Disse parene har nesten ingenting til felles, uansett hvor dupliserende korpuset er. Vi målte det: 392 tilfeldige par på tvers av familier har en median 5-gram-overlapping på 0,00 % og et maksimum på 0,3 %. Et uniformt utvalg returnerer «the corpus is unique» som en artefakt av utvalgsmetoden, ikke som et funn.

Parene som ville avslørt duplisering, er de nærmeste naboene, og de utgjør en forsvinnende liten andel av alle par. Derfor ble utvalget vektet mot dem. Malene ble gruppert etter kategori, oppskrifts-slug og stilfamilie, og 33 grupper ble trukket ut på tvers av fire typer:

• nummererte tvillinger, der slug-ene bare skiller seg med en etterfølgende -2 eller -3 (8 grupper)
• samme oppskrift og samme stilfamilie (4 grupper)
• samme stilfamilie, forskjellig oppskrift (13 grupper)
• dekningsgrupper, én per kategori, slik at ingen kategori forblir umålt (8 grupper)

Lysbildetekst ble deretter hentet for hvert medlem av hver gruppe: 232 maler, 1034 lysbilder, 0 hentefeil, den 16. september 2026. Det er 5,9 % av korpuset, valgt for å være de vanskeligste 5,9 %.

Den avgjørende gjennomgangen

Å vekte utvalget er likevel ikke nok i seg selv, fordi en mals sanne nærmeste nabo kan være en som ikke ble hentet, noe som ville undervurdere overlappingen. Derfor begrenset en ny gjennomgang sammenligningen til klynger der hvert medlem var blitt hentet: 46 komplette klynger, 117 maler. Innenfor disse er en mals nærmeste nabo i hele korpuset på 3926 maler garantert å være i det målte settet.

Målet er 5-gram-«containment»: andelen av en mals distinkte sekvenser på fem ord som også forekommer i dens nærmeste likemann. «Containment» heller enn Jaccard fordi det er asymmetrisk – en kort mal som er fullstendig inneholdt i en lang en, bør leses som fullstendig duplisert, og Jaccard ville rapportert den som delvis unik.

Resultater for disse 117 malene, mot den sanne nærmeste naboen i korpuset:

3-gram-gjennomgangen er der for å fange opp tekst som ble omformulert heller enn gjenbrukt; den endrer tallene, men ikke konklusjonen. Det verste paret i korpuset er poster-quote-typography-modern-gradient mot poster-bold-text-modern-gradient, med 8,82 %.

På tvers av alle 232 maler: av 3448 distinkte setninger på seks ord eller mer, forekommer 2 i mer enn én mal – «the results relate only to the items tested» og «no other graphic elements should intrude into this zone». Per lysbilde, av 992 lysbilder med 20 ord eller mer, er median-«containment» med det nærmeste lysbildet i en hvilken som helst annen mal 0,0 %; 8 er over 20 % og ingen er over 50 %. Tematisk likhet målt med «bag-of-words»-kosinus, som ignorerer ordlyd, er høyere, slik den bør være for to CV-maler: median 12,7 % mot den nærmeste likemannen i samme familie, maksimum 35,3 %.

Den ærlige begrensningen: dette er 232 av 3926 maler og 117 i settet med garantert nærmeste nabo. Det er belegg for den vanskeligste delen av korpuset, ikke et bevis for helheten.

Hva vi bestemte oss for

Revisjonen fjerner innvendingen om duplisering mot å publisere lysbildetekst. Vi publiserte ikke brødteksten på lysbildene. Vi publiserte lysbildetitlene, som allerede fantes i maloppføringen og ble hentet og forkastet.

Sjekket på tvers av alle 3926 maler før publisering: 14 969 titler, ingen tomme, ingen bare «Slide N» eller «Page N», og slide_titles.length var lik slide_count for hver eneste en. To begrensninger ble registrert i stedet for glattet over: 156 titler (1,0 %) slutter på «… Page N», og på 77 maler (2 %) gjør hver tittel det. 1321 maler (34 %) har ett enkelt lysbilde og får ingen liste i det hele tatt.

Endringen når derfor 2605 sider og legger til en median på 15 ord på hver, et gjennomsnitt på 10,4 ord per side på tvers av korpuset. Det er reelt, og det er lite. Det tar ikke i seg selv en side ut av territoriet for tynt innhold, og den nyttigste delen kan være at titlene er klikkbare: å hoppe til lysbilde 7 krevde tidligere å trykke Neste seks ganger.

Den samme grenen lenker til de malene som ingenting lenket til. Bla-sidene festet aspect_ratio til 16:9, som er omtrent 45 % av biblioteket, så resten dukket ikke opp på noen samleside eller i noen relatert blokk: /templates?category=document og ?category=poster returnerte en «coming soon»-side uten mallenker. En side uten interne lenker inn til seg skylder ikke en leser noe, for ingen leser kommer dit.

Ikke lansert, og ett spørsmål fortsatt åpent

Ingenting av dette er live. Det er pull request 10 på Sophon-LLC/ppt-ai, åpnet 15. september 2026 og fortsatt åpen 16. september 2026, tre commits, verifisert med en typesjekk, en lint-kjøring og en produksjons-build kjørt mot live-datalageret. Inntil den flettes, er sidene som målt øverst i dette innlegget.

Det åpne spørsmålet er det revisjonen ikke svarer på. Det målte settet har en median på 288 ord med brødtekst per mal, mot de 19 til 31 malspesifikke ordene en side gjengir i dag. Revisjonen sier at teksten ikke er duplisert. Den sier ikke at tekst skrevet for å fylle et oppsett leses som innhold for en person i stedet for som fyllstoff, og ingen har målt det. Å publisere 3926 sider med det kun på grunnlag av et dupliseringsresultat ville være å svare på et spørsmål vi ikke stilte.