学术插图制作耗时且要求高，PaperBanana的出现为此提供了全自动解决方案。该工具由谷歌与北大联合开发，通过多智能体协作，不仅能生成逻辑清晰、视觉美观的插图，更能通过代码模式保证图表数据100%精确，为研究人员节省了大量精力，有望改变学术论文的配图生态。
智能速览
PaperBanana由谷歌与北大联手打造，专攻学术插图自动生成。
采用五智能体分工协作，模拟人类从构思到出图的完整流程。
提供两种模式：代码生图保证数值精准，直接生图提升视觉美观度。
搭建专用评测基准，在忠实度、简洁度等维度全面超越基线方法。
目前仍存在无法编辑、细节忠实度不及人工的局限性。
精华内容
PaperBanana的强大并非源自单一模型，而是借鉴了人类科研工作者的绘图流程，通过五个分工明确的智能体协同工作，将抽象的学术概念转化为精准的视觉表达。
五智能体协同
该系统的核心是模拟人类制作论文插图的步骤。首先，检索智能体查找顶会论文的配图范例，寻找灵感与规范。接着，规划智能体根据研究内容构思架构蓝图。然后，风格优化智能体参考“顶会审美”标准，为蓝图增添设计感。最后，生成智能体负责出图，批判智能体进行审查校对，确保准确无误。
值得一提的是，介绍这一工作流程的示意图，也是由PaperBanana自身生成的。
精准与美观兼得
PaperBanana提供两种出图模式以应对不同需求。代码生成模式是默认选项，它利用Gemini-3-Pro自动编写并执行Python可视化代码，从而保证图表数值100%精准，无任何幻觉，适用于对数据精度要求极高的场景。另一种是直接生图模式，跳过代码环节，直接生成图像，视觉效果更出色，但可能产生数值错误，在美观与准确之间需要权衡。
效果超越基线
为客观评估效果，团队构建了PaperBananaBench评测基准，包含292个源自NeurIPS 2025论文的测试样本。评估采用“VLM-as-a-Judge”范式，让视觉语言模型作为裁判，从忠实性、简洁性、可读性、美观性四个维度进行打分。实验结果显示，PaperBanana在所有维度上均全面超越了传统的单模型直接生成等基线方法。消融实验也证实，检索参考、风格优化与批判迭代三个环节对最终质量至关重要。
PaperBanana的出现，为学术插图的自动化生成树立了新的标杆，显著降低了科研人员的绘图门槛。尽管目前尚有局限，但其多智能体框架与评测方法为后续研究提供了宝贵思路。它是否会成为未来科研人员的标配工具？
