一水 發自 凹非寺
量子位 | 公眾號 QbitAI
效果好到刷屏的Nano Banana論文，學術特供版熱乎出爐！
名字就是如此直觀——PaperBanana，給你每天都在頭痛的Paper用上Banana論文。（試圖押韻skr)
而且這一次是由谷歌北大強強聯手打造論文。
知道你想馬上看效果，別急，三個官方案例這就給大家搬上桌論文。
在相同輸入下論文，人類繪製、原版Nano Banana與PaperBanana生成的論文插圖對比如下：
綜合評估顯示，PaperBanana在美觀性、簡潔性與邏輯清晰度上均全面優於原版論文。
展開全文
而且它還能直接最佳化人工繪製的插圖，瞅瞅右邊，是不是高階感一下就上去了論文。
此外，由於PaperBanana還提供程式碼出圖功能 （即利用Gemini-3-Pro自動生成並執行Python視覺化程式碼出圖），所以它還能用來生成需要數值100%精準的各種圖表論文。
好好好，既能拿捏高階感，又不忘精準度，應該沒有學術人不愛吧~
論文作者表示，PaperBanana為全自動生成可用於出版的插圖鋪平了道路論文。
我們希望這個框架能成為連線複雜科學概念與高效視覺敘事的橋樑，賦能每一位研究者，用專業級的視覺語言清晰呈現其發現論文。
我們希望這個框架能成為連線複雜科學概念與高效視覺敘事的橋樑，賦能每一位研究者，用專業級的視覺語言清晰呈現其發現論文。
而在看到其效果之後，一眾網友也紛紛感嘆“學術插圖”這個老大難總算是要被攻克了論文。
想想以前的日子論文，真真是要落淚了~
研究人員花費4個小時在Figma中繪製一張圖，簡直令人難以置信論文。
研究人員花費4個小時在Figma中繪製一張圖，簡直令人難以置信論文。
那麼論文，學術版PaperBanana是如何煉造的呢？
一個不夠論文，那就5個！
用一個模型生圖怎麼夠，現在都是多智慧體齊上陣了論文。
沒錯，PaperBanana背後就是5個分工明確的智慧體在起作用論文。
Retriever Agent（檢索智慧體）：從頂會論文庫中，找到與你要畫的圖領域、結構最相似的參考案例論文。
Planner Agent（規劃智慧體）：把論文文字描述，轉化為包含所有模組、邏輯的詳細繪圖說明書論文。
Stylist Agent（風格智慧體）：總結學術審美規範，給說明書加上配色、排版等“美顏”標準論文。
Visualizer Agent（視覺化智慧體）：根據說明書，直接畫圖或寫程式碼出圖，產出初稿論文。
Critic Agent（批判智慧體）：檢查圖的對錯與美觀度，提出修改意見，迴圈迭代3輪最佳化論文。
Retriever Agent（檢索智慧體）：從頂會論文庫中，找到與你要畫的圖領域、結構最相似的參考案例論文。
Planner Agent（規劃智慧體）：把論文文字描述，轉化為包含所有模組、邏輯的詳細繪圖說明書論文。
Stylist Agent（風格智慧體）：總結學術審美規範，給說明書加上配色、排版等“美顏”標準論文。
Visualizer Agent（視覺化智慧體）：根據說明書，直接畫圖或寫程式碼出圖，產出初稿論文。
Critic Agent（批判智慧體）：檢查圖的對錯與美觀度，提出修改意見，迴圈迭代3輪最佳化論文。
下面這張圖清晰展示了它們的工作流程論文：
劃重點，連這張圖也是PaperBanana自己生成的論文。
論文作者表示，這一過程參考了人類製作論文插圖的流程論文。
以製作一個模型架構圖為例，通常研究人員會先去看看頂會里類似工作的圖是怎麼畫的，找找靈感和規範論文。
這一步就對應了檢索智慧體的工作論文。
然後就需要根據參考來規劃自己的圖該怎麼畫，“我的方法有幾個關鍵模組？”、“資料流和邏輯順序是怎樣的？”，在想清所有關鍵問題後，腦子裡大概就有一幅架構藍圖了論文。
而到這一步還不是真正動筆的時候，因為還需要結合自己的圖以及之前看過的“頂會審美”標準，來給藍圖加點設計感論文。
有了這兩樣東西（藍圖+審美），現在就可以真正出圖了論文。
並且出完之後，研究人員往往還需要檢查一番，以確保出圖正確無誤論文。
怎麼樣？是不是一環扣一環、且全都一一對應上了論文。
而在瞭解完PaperBanana的工作方式後論文，接下來的問題在於：
怎麼評估PaperBanana的生圖效果論文？
實驗方法及結果
對此，團隊還專門構建了一個PaperBananaBench論文。該基準內容源自NeurIPS 2025——
他們從5275篇論文中隨機取樣2000篇，經過濾、人工校驗後，得到584個有效樣本，然後將其均分為292個測試樣本和292個參考樣本論文。
這292個參考樣本論文，每一個都提取了完整的（S, C, I）三元組：
S（源上下文）：描述方法的文字論文，如論文方法論章節；
C（傳達意圖）：圖的標題/說明論文，如“我們的框架概述”；
I（參考影像）：論文中實際使用的、高質量的對應圖表論文。
S（源上下文）：描述方法的文字論文，如論文方法論章節；
C（傳達意圖）：圖的標題/說明論文，如“我們的框架概述”；
I（參考影像）：論文中實際使用的、高質量的對應圖表論文。
參考樣本集構成了一個高質量的“學術插圖資料庫”，主要供檢索智慧體進行查詢和匹配論文。
而與之對應的292個測試樣本，在評估時則僅提供S、C作為輸入論文。其對應的I作為隱藏的標準答案，不參與生成過程，僅用於最終的質量比對與評分。
準備到這裡，接下來就是具體生成和評估了論文。
裁判方面論文，他們採用了“VLM-as-a-Judge”（大模型當裁判）的評估正規化——
讓強大的視覺語言模型（如Gemini-3-Pro）作為評委，將PaperBanana生成的圖與測試集中隱藏的標準答案I進行逐項對比論文。
對比的維度主要有四個：忠實性、簡潔性、可讀性、美觀性論文。
若PaperBanana表現優於標準圖得100分，劣於得0分，持平得50分，最終計算總分論文。
而實驗結果表明，PaperBanana在所有維度上全面超越了傳統的單模型直接生成（Vanilla）等基線方法論文。
整體效能碾壓：總分相對基線提升了17.0%論文。其中，簡潔性提升最為顯著，高達37.2%，說明它生成的圖邏輯更乾淨、重點更突出；可讀性（+12.9%）和美觀性（+6.6%）也有大幅領先。
獲得人類盲測認可：在匿名的人類盲測中，研究員有72.7%的情況認為PaperBanana生成的圖比基線模型更好論文。
統計圖表表現優異：在需要高精度的統計圖表任務中，PaperBanana的“程式碼生成模式”在數值忠實性上與人類水平相當，而簡潔性和美觀性甚至略勝一籌論文。
整體效能碾壓：總分相對基線提升了17.0%論文。其中，簡潔性提升最為顯著，高達37.2%，說明它生成的圖邏輯更乾淨、重點更突出；可讀性（+12.9%）和美觀性（+6.6%）也有大幅領先。
獲得人類盲測認可：在匿名的人類盲測中，研究員有72.7%的情況認為PaperBanana生成的圖比基線模型更好論文。
統計圖表表現優異：在需要高精度的統計圖表任務中，PaperBanana的“程式碼生成模式”在數值忠實性上與人類水平相當，而簡潔性和美觀性甚至略勝一籌論文。
這裡需要說明論文，在生成圖表方面，PaperBanana有兩種模式：
一種是程式碼生成模式（預設）論文。讓Gemini-3-Pro這類模型自動寫Python視覺化程式碼 （如Matplotlib），再執行程式碼出圖。優點是可以保證數值絕對準確，適合需要嚴格精度的場景。
另一種是直接生圖模式（可選方式）論文。跳過程式碼，讓影像生成模型直接根據文字描述生成圖表。優點是視覺效果更頂，但數值容易出現幻覺問題。
左圖直接生圖模式下，紅框圈選出來的就是一些錯誤問題，而右側的程式碼生圖模式明顯無誤，但美觀度略遜論文。
最後的消融實驗證明，檢索參考、風格最佳化、批判迭代這三個環節缺一不可，它們共同保證了最終影像的“準確”與“好看”論文。
不過也需要提醒，PaperBanana目前仍有一些侷限性，比如它作為生圖還無法編輯，同時在很多細節忠實度方面仍比不上人類手工作業論文。
所以，更保險的做法或許是，讓它幫你最佳化以前繪製過的圖論文。
在下面這套“手圖蛻變”流程下，很多圖都能變得更美觀、更高階……當然也更容易入頂會的眼（doge）論文。
谷歌x北大聯手打造
最後介紹下PaperBanana背後的團隊論文。
一共7人論文，可以清晰分成兩撥——
一撥來自北大，主要提供NLP與多模態理解的學術根基；另一撥來自Google Cloud AI Research，負責多模態系統與工業化視角論文。
署名第一的Dawei Zhu（兼通訊作者），本碩博均就讀於北大，現為北大四年級博士生論文。
他重點研究長上下文建模和多模態資料，之前在微軟亞洲研究院實習過，目前是Google Cloud AI Research學生研究員，PaperBanana也是他在谷歌期間參與的專案論文。
藉著北大這條線，另外兩位來自北大的分別是Xiyu Wei和Sujian Li（兼通訊作者）論文。
Sujian Li目前是北大計算機學院長聘副教授，也是Dawei Zhu的博導，主要研究自然語言處理、資訊抽取等論文。
而Xiyu Wei可能還是學生，目前只能看到TA和Dawei Zhu合作過一篇關於拓展上下文的論文論文。
而其他幾位來自Google Cloud AI Research的分別是論文：
負責人Tomas Pfister、高階研究科學家Yale Song、研究科學家Rui Meng和Jinsung Yoon（兼通訊作者）論文。
