論文配圖一鍵封神！北大谷歌開源PaperBanana，5個(gè)Agent全包了

新智元報(bào)道

編輯：傾傾

【新智元導(dǎo)讀】科研人的深夜噩夢(mèng)，終于有人來終結(jié)了！剛剛，北大聯(lián)合Google CloudAI發(fā)布PaperBanana，直接把論文配圖變成了全自動(dòng)流水線。5個(gè)智能體組團(tuán)干活，生成的架構(gòu)圖對(duì)標(biāo)NeurIPS頂會(huì)標(biāo)準(zhǔn)。以后寫論文，你只管敲字，畫圖這事兒，AI包了。

你有沒有過這樣的經(jīng)歷：論文寫好了，但架構(gòu)圖卻讓你焦頭爛額。

不是配色太土，就是線歪了，要么就是模塊大小不協(xié)調(diào)，簡(jiǎn)直比寫論文還要難。

別擔(dān)心，有這樣焦慮的人不止你一個(gè)！數(shù)據(jù)顯示，科研人員有45%的時(shí)間被浪費(fèi)在了這種低級(jí)的繪圖調(diào)整上。

但就在今天，科研狗的繪圖之神——PaperBanana出現(xiàn)了。

5個(gè)智能體

治好了AI的「視覺精神病」

無論是Midjourney還是DALL-E3，在畫科研圖表時(shí)都像個(gè)人工智障。

讓GPT-Image-1.5直接讀取論文畫圖，它的綜合得分只有11.5分（滿分100）。

在「忠實(shí)度」這一項(xiàng)，甚至只有4.5分。

它畫出來的圖，看起來像那么回事，但該連的線連不上，該有的模塊給你瞎編。

PaperBanana敏銳地發(fā)現(xiàn)，既然單個(gè)模型會(huì)產(chǎn)生幻覺，那我一次性調(diào)用5個(gè)Agent協(xié)同工作，總不能5個(gè)一起產(chǎn)生幻覺吧。

1. Retriever（檢索）：RAG的抄作業(yè)美學(xué)

拿到任務(wù)后，Retriever直接發(fā)動(dòng)RAG技能，去頂會(huì)數(shù)據(jù)庫里打撈10張最相關(guān)的參考圖。

2. Planner（策劃師）：把人話翻譯成「藍(lán)圖」

這是系統(tǒng)的「認(rèn)知核心」。

它負(fù)責(zé)死磕論文里最晦澀的Methodology，把那些文字邏輯硬拆解成視覺藍(lán)圖。

搞清楚誰連誰，誰包含誰，絕不讓邏輯拓?fù)鋪y成一鍋粥。

3. Stylist（風(fēng)格智能體）：拿捏NeurIPS的「高級(jí)感」

為了解決「圖Low」的問題，Stylist會(huì)生成一份名為Aesthetic Guideline的最高優(yōu)先級(jí)指令。

該指令會(huì)強(qiáng)制把Planner的指令修正為符合頂會(huì)標(biāo)準(zhǔn)，想用Excel默認(rèn)藍(lán)？門都沒有！

4. Visualizer&Critic（閉環(huán)核心）：3輪循環(huán)，甲方煉獄

PaperBanana能夠拿到60.2分的關(guān)鍵，秘密，全在這倆貨的互撕上：

• Visualizer：調(diào)用Nano Banana Pro，渲染圖片。

• Critic：這是整個(gè)架構(gòu)的靈魂——專業(yè)找茬。

Critic會(huì)拿著原論文跟圖比對(duì)，一旦發(fā)現(xiàn)連線錯(cuò)了、模塊少了，直接生成修正指令，打回去重畫。這個(gè)過程會(huì)暴力循環(huán)3次。

PaperBanana官方論文中的失敗案例

數(shù)據(jù)顯示，正是這3輪迭代，將圖表的忠實(shí)度從不可用的4.5提升到了45.8，在這一指標(biāo)上直接逼近人類水平（50.0）。

審美降維打擊

AI總結(jié)的《NeurIPS 2025審美黑話》

在PaperBanana眼里，美感是一堆冷冰冰的參數(shù)。

Stylist Agent遍歷了NeurIPS 2025所有論文，搞了一次逆向工程，把審稿人潛意識(shí)里的視覺偏好扒了個(gè)底掉：

人類手繪原圖與StyleEnhanced（AI風(fēng)格化后）的對(duì)比

AI發(fā)現(xiàn)，2025年的頂流審美是科技莫蘭迪色。

高飽和度的紅藍(lán)撞色（如Excel默認(rèn)色），直接被定義為「業(yè)余」。

所以，正確方法是：背景要用Cream(#F5F5DC)或PaleBlue(#E6F3FF)；功能模塊采用中等飽和度配色；高亮色僅限于報(bào)錯(cuò)或最終結(jié)果。

審美增強(qiáng)案例。上邊是原始的粗糙框圖，下邊是AI根據(jù)Guidelines優(yōu)化后的成品。

還有90%的人都會(huì)忽視的細(xì)節(jié)：混排（Font Mixing）。

系統(tǒng)標(biāo)簽必須用無襯線體，顯得現(xiàn)代、干凈；凡是涉及數(shù)學(xué)公式的變量，必須強(qiáng)制切換為L(zhǎng)aTeX風(fēng)格襯線斜體。

這種字體的混排，是區(qū)分「草圖」和「出版級(jí)插圖」的關(guān)鍵信號(hào)。

PaperBanana甚至懂「圈層文化」

如果你寫的是Agent論文，Stylist會(huì)主動(dòng)調(diào)用可愛風(fēng)格的2D機(jī)器人圖標(biāo)或?qū)υ挌馀?，?qiáng)調(diào)「交互感」；

如果是CV/3D論文，它會(huì)拒絕卡通元素，強(qiáng)調(diào)視錐、點(diǎn)云和熱力圖，配色偏向RGB通道邏輯；

要是純理論論文，則追求極致極簡(jiǎn)。黑白灰為主，只保留一個(gè)高亮色給拓?fù)浣Y(jié)構(gòu)。

統(tǒng)計(jì)圖的「精準(zhǔn)謀殺」

告別Matplotlib難度

為什么之前的AI總是畫不好統(tǒng)計(jì)圖？

因?yàn)?，擴(kuò)散模型是右腦思維的藝術(shù)家。它懂構(gòu)圖，但它真的不識(shí)數(shù)。

如下圖所示，當(dāng)讓模型直接「畫」一個(gè)雷達(dá)圖時(shí)，它生成了極具設(shè)計(jì)感的陰影和線條。但仔細(xì)一看——數(shù)據(jù)點(diǎn)0.4被畫到了0.8的刻度線上；甚至還憑空捏造了幾個(gè)重復(fù)的圖例標(biāo)簽。

為了解決這個(gè)問題，PaperBanana做了一個(gè)天才般的架構(gòu)切換。

當(dāng)系統(tǒng)識(shí)別出你要畫的是BarChart或Heatmap時(shí)，它會(huì)瞬間收起畫筆，掏出鍵盤，從「美術(shù)生」切換為「程序員」。

Visualizer不再生成像素，而是直接生成Python Matplotlib代碼

Critic也不再看構(gòu)圖，而是運(yùn)行代碼，檢查報(bào)錯(cuò)，比對(duì)數(shù)據(jù)。

這個(gè)邏輯繞過了圖像生成的隨機(jī)性，直接利用LLM強(qiáng)大的Coding能力。

以前為了調(diào)整一個(gè)坐標(biāo)軸的傾斜角度，得去查半小時(shí)；現(xiàn)在，PaperBanana在后臺(tái)幾秒鐘內(nèi)自己寫代碼、自己Debug、自己運(yùn)行出圖。

對(duì)比數(shù)據(jù)非常直觀：

• 純圖像生成模式：好看，但瞎編。

• 代碼生成模式：精準(zhǔn)，且完全可復(fù)現(xiàn)。

PaperBanana官方基準(zhǔn)對(duì)比：Code模式（綠色）在忠實(shí)度和簡(jiǎn)潔度碾壓純圖像生成（IMG，紅色），逼近人類水平

邏輯圖走藝術(shù)路線，數(shù)據(jù)圖走工程路線。這才是AI科學(xué)家該有的嚴(yán)謹(jǐn)。

全自動(dòng)發(fā)表的最后一片拼圖

在此之前，Auto Figure等競(jìng)品更多是將內(nèi)容符號(hào)化，或者僅僅是簡(jiǎn)單的圖表堆砌。

PaperBanana是第一個(gè)真正引入「設(shè)計(jì)思維」的智能體系統(tǒng)。

當(dāng)AI開始理解「如何用布局引導(dǎo)讀者的視線」，從一個(gè)工具，變成一個(gè)擁有表達(dá)欲的共創(chuàng)者。

在PaperBanana Bench的測(cè)試中，AI在簡(jiǎn)潔性上比現(xiàn)有基線模型提升了37.2%。

雖然論文的委婉地說是為了「民主化」高質(zhì)量繪圖工具，但我們都懂：當(dāng)技術(shù)的門檻降到0，原來的溢價(jià)就消失了。

北大與Google的野心很大。

他們不僅發(fā)了工具，還開源了PaperBanana Bench：292個(gè)涵蓋各領(lǐng)域的「地獄級(jí)」測(cè)試用例，擺明了是想做行業(yè)裁判。

雖然目前的版本生成的還是位圖，但作者也說了，下一步就是開發(fā)能操作Adobe Illustrator的GUI Agent。

等那個(gè)版本出來，設(shè)計(jì)師可能真的要關(guān)掉Photoshop去送外賣了。

工具進(jìn)化的終極意義，從來不是為了讓我們變懶，而是為了讓大腦回歸純粹。

未來能活得滋潤(rùn)的科研人，只有兩種：一種是極其硬核、能寫出AI無論如何也理解不了的頂級(jí)算法的大神；

另一種，是懂得指揮千軍萬馬的AI Agent，把自己的思想用最完美的視覺語言鋪陳在審稿人面前的「超級(jí)個(gè)體」。

別讓你的思想，死在畫不出的圖里。

參考資料：

https://PaperBanana.org/

https://arxiv.org/abs/2601.23265