谷歌推出的PaperBanana框架，旨在通过AI Agent自动化生成学术论文方法图。它系统性解决了科研配图的一大痛点，为科研人员提供了从想法到可视化的高效新路径。
智能速览
采用检索、规划、渲染、迭代优化的Agentic流程。
包含292个NeurIPS2025方法图的测试基准PaperBananaBench。
在四维评估中全面超越现有基线模型。
被视为AI科学家自动化的最后一块拼图。
精华内容
AI写论文、跑实验已逐步实现自动化，如今连最耗费时间的配图环节也迎来了突破。
痛点与突破
学术论文中的方法图绘制，是科研人员普遍面临的耗时难题，需要兼顾专业性与美观度。PaperBanana的出现，标志着这一领域开始迎来系统性的自动化解决方案。它并非简单的图像生成，而是深入理解论文内容后的结构化表达。
核心工作流
其核心是Agentic流程，模拟了科研人员绘图的完整思路。首先进行检索，理解论文背景与相关图表；然后进行规划，设计图表的布局与元素；接着是渲染，生成初步图像；最后通过迭代优化，不断调整细节，确保输出的准确性与专业性。
评测与优势
为客观评估其能力，研究团队构建了包含292个NeurIPS2025方法图的测试基准PaperBananaBench。评测结果显示，PaperBanana在相关性、清晰度、美学和专业性四个维度上，均显著超越了此前的基线模型，证明了其生成图表的高质量。
应用与展望
尽管生成的图表可能距离顶会配图的最高水准尚有差距，但用于项目汇报、内部讨论等场景已绰绰有余。它的意义不止于工具本身，更在于预示着科研流程的全面AI化。未来，科研竞争的关键或将从绘图技巧转向想法的可视化效率。
PaperBanana不仅是科研人员的提效利器，更是AI驱动科研自动化趋势的明确信号。它让我们看到，未来的科研工作将更聚焦于思想本身，而非重复性的执行过程。
关键评论
