北大與谷歌推出 PaperBanana：用 5 個 AI 智慧體自動畫論文圖

搞科研的人都知道，寫論文正文可能只要幾天，但為了畫出一張能鎮住審稿人的方法架構圖，調顏色、對齊箭頭和方塊能折騰掉一整週。

北京大學與谷歌雲 AI 團隊最近釋出了一個名為 PaperBanana 的多智慧體框架，專門幫科研人員自動生成出版級的論文插圖與統計圖表。

把畫圖拆成五道工序

以往用生圖模型畫技術流程圖，出來的往往是一團糊弄人的“概念畫”，文字對不上，結構也是亂的。

PaperBanana 的思路是模仿人類設計師，把任務拆給五個專業智慧體：檢索、規劃、設計、渲染和評審。

檢索智慧體先在資料庫裡尋找風格相似的參考圖；規劃智慧體梳理輸入文本的邏輯流程；設計智慧體把控配色與排版風格；渲染智慧體負責呼叫影像模型生成畫面；最後由評審智慧體挑毛病，迴圈修改打磨。

這套系統屬於模型無關架構，可以外掛各種影像模型，比如 GPT-Image-1.5 或 Nano Banana Pro。

除了從零畫圖，它還能幫現有手繪草圖做“美學翻新”。在針對手繪圖的對比評測中，PaperBanana 生成的圖有 56% 的機率在美學打分上擊敗原作。

對於折線圖、柱狀圖這類統計圖表，它還支援兩種模式：要精準就呼叫 Python 寫 Matplotlib 程式碼，完全沒有數值幻覺；要好看就直接走影像生成。

戰勝人類評委，但搞不定連線

為了檢驗成色，研究團隊從 NeurIPS 2025 的論文裡挑出方法圖，搭建了包含 292 個測試樣本的基準測試集 PaperBananaBench。

評測結果顯示，在資訊簡潔度上，PaperBanana 比 baseline 基準高出 37%，可讀性提升近 13%，在忠實度和美學上也全面佔優。

不過它也有明顯的短板。

團隊在分析失敗案例時發現，系統最容易出錯的地方是“連線”：經常出現多餘的連線箭頭，或者把輸入和輸出節點的指向搞反。

更尷尬的是，連最後的評審智慧體也很難識別出這類拓撲連線錯誤，暴露出底層大模型在複雜空間感知上的先天缺陷。

為什麼重要

對於經常趕論文 Deadline 的學者和開發者來說，PaperBanana 抓住了科研日常中最耗時、最痛苦的一個髒活環節。哪怕只是用它來給草圖挑配色、理排版，或者讓它生成第一版結構原型，也能省下大把時間。

從技術路線來看，我們認為 PaperBanana 走得非常務實。它沒有指望單個多模態大模型奇蹟般地畫對學術圖，而是把“邏輯梳理”和“視覺渲染”徹底解耦，在遇到嚴謹資料時甚至主動退回程式碼生成模式來杜絕幻覺。

但在實際使用中，讀者目前依然不能完全放手。拓撲關係和邏輯流向恰恰是學術圖表的命脈，既然 AI 容易接錯線且自我評審也看不出來，作者在投稿前就必須人工嚴審每一個箭頭的指向。團隊表示程式碼和資料集將在兩週內釋出，屆時大家可以看看它到底能不能真正扛起頂會作圖的重任。