效果好到刷屏的 Nano Banana，学术特供版热乎出炉！
名字就是如此直观——PaperBanana，给你每天都在头痛的 Paper 用上 Banana。（试图押韵 skr)
而且这一次是由谷歌北大强强联手打造。
知道你想马上看效果，别急，三个官方案例这就给大家搬上桌。
在相同输入下，人类绘制、原版 Nano Banana 与 PaperBanana 生成的论文插图对比如下：
综合评估显示，PaperBanana 在美观性、简洁性与逻辑清晰度上均全面优于原版。
而且它还能直接优化人工绘制的插图，瞅瞅右边，是不是高级感一下就上去了。
此外，由于 PaperBanana 还提供代码出图功能 （即利用 Gemini-3-Pro 自动生成并执行 Python 可视化代码出图），所以它还能用来生成需要数值 100% 精准的各种图表。
好好好，既能拿捏高级感，又不忘精准度，应该没有学术人不爱吧~
论文作者表示，PaperBanana 为全自动生成可用于出版的插图铺平了道路。
我们希望这个框架能成为连接复杂科学概念与高效视觉叙事的桥梁，赋能每一位研究者，用专业级的视觉语言清晰呈现其发现。
而在看到其效果之后，一众网友也纷纷感叹“学术插图”这个老大难总算是要被攻克了。
想想以前的日子，真真是要落泪了~
- 研究人员花费 4 个小时在 Figma 中绘制一张图，简直令人难以置信。
那么，学术版 PaperBanana 是如何炼造的呢？
一个不够，那就 5 个！
用一个模型生图怎么够，现在都是多智能体齐上阵了。
没错，PaperBanana 背后就是5 个分工明确的智能体在起作用。
- Retriever Agent（检索智能体）：从顶会论文库中，找到与你要画的图领域、结构最相似的参考案例。
- Planner Agent（规划智能体）：把论文文字描述，转化为包含所有模块、逻辑的详细绘图说明书。
- Stylist Agent（风格智能体）：总结学术审美规范，给说明书加上配色、排版等“美颜”标准。
- Visualizer Agent（可视化智能体）：根据说明书，直接画图或写代码出图，产出初稿。
- Critic Agent（批判智能体）：检查图的对错与美观度，提出修改意见，循环迭代 3 轮优化。
下面这张图清晰展示了它们的工作流程：
划重点，连这张图也是 PaperBanana 自己生成的。
论文作者表示，这一过程参考了人类制作论文插图的流程。
以制作一个模型架构图为例，通常研究人员会先去看看顶会里类似工作的图是怎么画的，找找灵感和规范。
这一步就对应了检索智能体的工作。
然后就需要根据参考来规划自己的图该怎么画，“我的方法有几个关键模块？”、“数据流和逻辑顺序是怎样的？”，在想清所有关键问题后，脑子里大概就有一幅架构蓝图了。
而到这一步还不是真正动笔的时候，因为还需要结合自己的图以及之前看过的“顶会审美”标准，来给蓝图加点设计感。
有了这两样东西（蓝图+审美），现在就可以真正出图了。
并且出完之后，研究人员往往还需要检查一番，以确保出图正确无误。
怎么样？是不是一环扣一环、且全都一一对应上了。
而在了解完 PaperBanana 的工作方式后，接下来的问题在于：
怎么评估 PaperBanana 的生图效果？
实验方法及结果
对此，团队还专门构建了一个PaperBananaBench。该基准内容源自 NeurIPS 2025——
他们从 5275 篇论文中随机采样 2000 篇，经过滤、人工校验后，得到 584 个有效样本，然后将其均分为 292 个测试样本和 292 个参考样本。
这 292 个参考样本，每一个都提取了完整的（S, C, I）三元组：
- S（源上下文）：描述方法的文本，如论文方法论章节；
- C（传达意图）：图的标题/说明，如“我们的框架概述”；
- I（参考图像）：论文中实际使用的、高质量的对应图表。
参考样本集构成了一个高质量的“学术插图数据库”，主要供检索智能体进行查询和匹配。
而与之对应的 292 个测试样本，在评估时则仅提供S、C作为输入。其对应的I作为隐藏的标准答案，不参与生成过程，仅用于最终的质量比对与评分。
准备到这里，接下来就是具体生成和评估了。
裁判方面，他们采用了“VLM-as-a-Judge”（大模型当裁判）的评估范式——
让强大的视觉语言模型（如 Gemini-3-Pro）作为评委，将 PaperBanana 生成的图与测试集中隐藏的标准答案I进行逐项对比。
对比的维度主要有四个：忠实性、简洁性、可读性、美观性。
若 PaperBanana 表现优于标准图得 100 分，劣于得 0 分，持平得 50 分，最终计算总分。
而实验结果表明，PaperBanana 在所有维度上全面超越了传统的单模型直接生成（Vanilla）等基线方法。
- 整体性能碾压：总分相对基线提升了 17.0%。其中，简洁性提升最为显著，高达 37.2%，说明它生成的图逻辑更干净、重点更突出；可读性（+12.9%）和美观性（+6.6%）也有大幅领先。
- 获得人类盲测认可：在匿名的人类盲测中，研究员有 72.7% 的情况认为 PaperBanana 生成的图比基线模型更好。
- 统计图表表现优异：在需要高精度的统计图表任务中，PaperBanana 的“代码生成模式”在数值忠实性上与人类水平相当，而简洁性和美观性甚至略胜一筹。
这里需要说明，在生成图表方面，PaperBanana 有两种模式：
一种是代码生成模式（默认）。让 Gemini-3-Pro 这类模型自动写 Python 可视化代码（如 Matplotlib），再运行代码出图。优点是可以保证数值绝对准确，适合需要严格精度的场景。
另一种是直接生图模式（可选方式）。跳过代码，让图像生成模型直接根据文本描述生成图表。优点是视觉效果更顶，但数值容易出现幻觉问题。
左图直接生图模式下，红框圈选出来的就是一些错误问题，而右侧的代码生图模式明显无误，但美观度略逊。
最后的消融实验证明，检索参考、风格优化、批判迭代这三个环节缺一不可，它们共同保证了最终图像的“准确”与“好看”。
不过也需要提醒，PaperBanana 目前仍有一些局限性，比如它作为生图还无法编辑，同时在很多细节忠实度方面仍比不上人类手工作业。
所以，更保险的做法或许是，让它帮你优化以前绘制过的图。
在下面这套“手图蜕变”流程下，很多图都能变得更美观、更高级……当然也更容易入顶会的眼（doge）。
谷歌x北大联手打造
最后介绍下 PaperBanana 背后的团队。
一共 7 人，可以清晰分成两拨——
一拨来自北大，主要提供 NLP 与多模态理解的学术根基；另一拨来自 Google Cloud AI Research，负责多模态系统与工业化视角。
署名第一的 Dawei Zhu（兼通讯作者），本硕博均就读于北大，现为北大四年级博士生。
他重点研究长上下文建模和多模态数据，之前在微软亚洲研究院实习过，目前是 Google Cloud AI Research 学生研究员，PaperBanana 也是他在谷歌期间参与的项目。
借着北大这条线，另外两位来自北大的分别是 Xiyu Wei 和 Sujian Li（兼通讯作者）。
Sujian Li 目前是北大计算机学院长聘副教授，也是 Dawei Zhu 的博导，主要研究自然语言处理、信息抽取等。
而 Xiyu Wei 可能还是学生，目前只能看到 TA 和 Dawei Zhu 合作过一篇关于拓展上下文的论文。
而其他几位来自 Google Cloud AI Research 的分别是：
负责人 Tomas Pfister、高级研究科学家 Yale Song、研究科学家 Rui Meng 和 Jinsung Yoon（兼通讯作者）。
截至目前，PaperBanana 已在开源社区 GitHub 揽获上千 star，感兴趣可以继续关注。
项目主页：
https://dwzhu-pku.github.io/PaperBanana/
论文：
https://arxiv.org/abs/2601.23265
GitHub 地址：
