谷歌北大聯手學術版Banana爆火，論文圖表100%精確生成

效果好到刷屏的Nano Banana，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。（試圖押韻skr)

而且這一次是由谷歌北大強強聯手打造。

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。

在相同輸入下，人類繪制、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于原版。

而且它還能直接優化人工繪制的插圖，瞅瞅右邊，是不是高級感一下就上去了。

此外，由于PaperBanana還提供代碼出圖功能 （即利用Gemini-3-Pro自動生成并執行Python可視化代碼出圖），所以它還能用來生成需要數值100%精準的各種圖表。

好好好，既能拿捏高級感，又不忘精準度，應該沒有學術人不愛吧~

論文作者表示，PaperBanana為全自動生成可用于出版的插圖鋪平了道路。

• 我們希望這個框架能成為連接復雜科學概念與高效視覺敘事的橋梁，賦能每一位研究者，用專業級的視覺語言清晰呈現其發現。

而在看到其效果之后，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。

想想以前的日子，真真是要落淚了~

• 研究人員花費4個小時在Figma中繪制一張圖，簡直令人難以置信。

那么，學術版PaperBanana是如何煉造的呢？

一個不夠，那就5個！

用一個模型生圖怎么夠，現在都是多智能體齊上陣了。

沒錯，PaperBanana背后就是5個分工明確的智能體在起作用。

• Retriever Agent（檢索智能體）：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。
• Planner Agent（規劃智能體）：把論文文字描述，轉化為包含所有模塊、邏輯的詳細繪圖說明書。
• Stylist Agent（風格智能體）：總結學術審美規范，給說明書加上配色、排版等“美顏”標準。
• Visualizer Agent（可視化智能體）：根據說明書，直接畫圖或寫代碼出圖，產出初稿。
• Critic Agent（批判智能體）：檢查圖的對錯與美觀度，提出修改意見，循環迭代3輪優化。

下面這張圖清晰展示了它們的工作流程：

劃重點，連這張圖也是PaperBanana自己生成的。

論文作者表示，這一過程參考了人類制作論文插圖的流程。

以制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么畫的，找找靈感和規范。

這一步就對應了檢索智能體的工作。

然后就需要根據參考來規劃自己的圖該怎么畫，“我的方法有幾個關鍵模塊？”、“數據流和邏輯順序是怎樣的？”，在想清所有關鍵問題后，腦子里大概就有一幅架構藍圖了。

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。

有了這兩樣東西（藍圖+審美），現在就可以真正出圖了。

并且出完之后，研究人員往往還需要檢查一番，以確保出圖正確無誤。

怎么樣？是不是一環扣一環、且全都一一對應上了。

而在了解完PaperBanana的工作方式后，接下來的問題在于：

怎么評估PaperBanana的生圖效果？

實驗方法及結果

對此，團隊還專門構建了一個PaperBananaBench。該基準內容源自NeurIPS 2025——

他們從5275篇論文中隨機采樣2000篇，經過濾、人工校驗后，得到584個有效樣本，然后將其均分為292個測試樣本和292個參考樣本。

這292個參考樣本，每一個都提取了完整的（S, C, I）三元組：

• S（源上下文）：描述方法的文本，如論文方法論章節；
• C（傳達意圖）：圖的標題/說明，如“我們的框架概述”；
• I（參考圖像）：論文中實際使用的、高質量的對應圖表。

參考樣本集構成了一個高質量的“學術插圖數據庫”，主要供檢索智能體進行查詢和匹配。

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。其對應的I作為隱藏的標準答案，不參與生成過程，僅用于最終的質量比對與評分。

準備到這里，接下來就是具體生成和評估了。

裁判方面，他們采用了“VLM-as-a-Judge”（大模型當裁判）的評估范式——

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。

對比的維度主要有四個：忠實性、簡潔性、可讀性、美觀性。

若PaperBanana表現優于標準圖得100分，劣于得0分，持平得50分，最終計算總分。

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。

• 整體性能碾壓：總分相對基線提升了17.0%。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干凈、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。
• 統計圖表表現優異：在需要高精度的統計圖表任務中，PaperBanana的“代碼生成模式”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。

這里需要說明，在生成圖表方面，PaperBanana有兩種模式：

一種是代碼生成模式（默認）。讓Gemini-3-Pro這類模型自動寫Python可視化代碼（如Matplotlib），再運行代碼出圖。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）。跳過代碼，讓圖像生成模型直接根據文本描述生成圖表。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，而右側的代碼生圖模式明顯無誤，但美觀度略遜。

最后的消融實驗證明，檢索參考、風格優化、批判迭代這三個環節缺一不可，它們共同保證了最終圖像的“準確”與“好看”。

不過也需要提醒，PaperBanana目前仍有一些局限性，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。

所以，更保險的做法或許是，讓它幫你優化以前繪制過的圖。

在下面這套“手圖蛻變”流程下，很多圖都能變得更美觀、更高級……當然也更容易入頂會的眼（doge）。

谷歌x北大聯手打造

最后介紹下PaperBanana背后的團隊。

一共7人，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。

署名第一的Dawei Zhu（兼通訊作者），本碩博均就讀于北大，現為北大四年級博士生。

他重點研究長上下文建模和多模態數據，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項目。

借著北大這條線，另外兩位來自北大的分別是Xiyu Wei和Sujian Li（兼通訊作者）。

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、信息抽取等。

而Xiyu Wei可能還是學生，目前只能看到TA和Dawei Zhu合作過一篇關于拓展上下文的論文。

而其他幾位來自Google Cloud AI Research的分別是：

負責人Tomas Pfister、高級研究科學家Yale Song、研究科學家Rui Meng和Jinsung Yoon（兼通訊作者）。

截至目前，PaperBanana已在開源社區GitHub攬獲上千star，感興趣可以繼續關注。

項目主頁：
https://dwzhu-pku.github.io/PaperBanana/
論文：
https://arxiv.org/abs/2601.23265
GitHub地址：
https://github.com/dwzhu-pku/PaperBanana