Google推出PaperBanana 多代理框架实现论文图表自动化生成

背景与动机

在科研写作中，生成符合期刊规范的示意图和统计图往往需要手工绘制，耗时且易出错。随着大模型在文本理解和代码生成方面的突破，Google 与北京大学团队提出了 PaperBanana，通过五个专职智能体协同工作，实现从原始方法描述到出版级图形的全链路自动化。

系统架构

PaperBanana 采用两阶段生成流程：

1. 线性规划阶段

   • Retriever Agent：从图形库中检索最相似的 10 条参考样例，为后续设计提供风格基准。
   • Planner Agent：将技术方法文本拆解为结构化的图形描述。
   • Stylist Agent：依据 "NeurIPS Look" 风格指南，生成配色、布局等视觉指令。

2. 迭代细化阶段

   • Visualizer Agent：根据描述生成视觉输出。对示意图使用图像模型 Nano‑Banana‑Pro；对统计图则输出可执行的 Matplotlib 代码。
   • Critic Agent：对生成结果进行事实核对和视觉检查，提出错误修正建议并触发最多三轮迭代。

该框架的核心理念是“参考驱动 + 多智能体协作”，避免单一 Prompt 的不确定性。

基准评测（PaperBananaBench）

团队构建了 PaperBananaBench，收录 292 条来自 NeurIPS 2025 的真实论文案例，使用 VLM‑as‑Judge 进行客观评分。主要指标提升如下：

• 整体得分 +17.0%
• 简洁性 +37.2%
• 可读性 +12.9%
• 美观度 +6.6%
• 忠实度 +2.8%

在 “Agent & Reasoning” 类图示中，系统获得 69.9% 的最高分，显示出对复杂交互式示意图的强大适配能力。

统计图生成的双模式策略

PaperBanana 区别于传统图像生成模型的关键在于 代码生成模式：

• 图像生成 (IMG)：适用于视觉美感要求高的示意图，但可能出现数值幻觉。
• 代码生成 (Coding)：直接输出 Matplotlib 脚本，确保 100% 数据忠实，尤其在密集或多系列数据场景下表现更佳。

应用前景与行业影响

该框架不仅能显著降低科研团队的图形制作成本，还为期刊编辑、学术搜索引擎提供结构化的图形元数据，促进跨文献可视化分析。未来可扩展至医学影像报告、专利图示等高精度可视化需求。

结语

PaperBanana 展示了多代理协作在专业化生成任务中的潜力，标志着 AI 从通用文本生成向高质量学术可视化迈出关键一步。随着更多领域加入参考驱动的多智能体体系，科研工作流的自动化水平有望进一步提升。