记者邓天心／综合报导
对不少科研人员而言，将艰深的研究成果转化为清晰直观的图表，常常是最费力、最耗时的环节。为此，Google联合北京大学研究团队近日推出全新AI绘图工具「Paper Banana」，依托多智能体协同架构，可自动产出高水准的学术结构图与统计可视化图表。
延伸阅读：
华尔街格局生变！AI能力过强致软件股遭重创，估值跌至历史新低
立即学习“Python免费学习笔记（深入）”；
Paper Banana 系统由五个专业化AI智能体组成，共同完成从技术文档到专业级视觉图像的端到端转化，整个流程划分为两个核心阶段：
第一阶段：线性规划（Linear Planning）
系统首先启动「检索智能体（Retriever）」，从内部知识库中精准匹配出10组最具参考价值的图表范例；随后交由「规划智能体（Planner）」，将原始技术内容解析并转译为结构完整、语义明确的图像生成指令；最后由「风格智能体（Stylist）」统一调控配色方案、字体规范与布局逻辑，确保输出结果契合NeurIPS等顶级学术会议的视觉出版标准。
第二阶段：迭代优化（Iterative Refinement）
「可视化智能体（Visualizer）」负责执行绘图任务：绘制系统架构图时，调用轻量级图像生成模型Nano-Banana-Pro；处理统计图表时，则直接生成可运行的Python Matplotlib代码。生成初稿后，「评审智能体（Critic）」立即介入，逐项比对原文本内容，识别潜在的事实偏差、数据错位或构图缺陷，并驱动最多三轮自动修正循环。
统计图表的核心在于数据保真度——而这恰恰是多数通用图像生成模型的薄弱环节。Paper Banana 的关键突破在于采用“混合生成策略”：一旦检测到输入含明确数值型内容，系统即强制切换至代码生成模式，彻底规避AI常见的数值幻觉、标签重复及坐标失准等问题。
研究团队构建了涵盖292篇NeurIPS 2025真实论文图表的评估基准集 Paper Banana Bench，实测结果显示：该工具在「智能体协作与逻辑推演类」图表任务中表现尤为突出，综合得分达69.9%；在简洁性（+37.2%）、可读性（+12.9%）与美观度（+6.6%）三大核心维度上，全面超越当前主流基线模型。随着应用普及，未来有望显著压缩科研人员在图表制作环节所耗费的时间成本。
资料来源：marktech post
