智猩猩AI整理

编辑：汐汐

凌晨两点，实验室灯还亮着。你盯着屏幕，方法部分写完了，实验结果也跑出来了，可一想到要用PPT、Draw.io或者LaTeX的TikZ去画那个复杂的流程图、模块架构图，就瞬间头秃。箭头对不齐、颜色不统一、字体还得手动调大小…这明明是科研的最后一公里，却成了最耗神的一环。

就在2026年2月4日，Google Cloud AI Research联合北京大学的研究团队正式发布了PaperBanana——一个真正意义上的“学术插图Agent框架”。它的目标非常直白：把“自主AI科学家”工作流里最后一个还得靠人肉硬扛的环节——画图，给彻底自动化掉。

这根“香蕉”看起来甜，但咬下去才知道有多硬核。

• 论文标题：PaperBanana: Automating Academic Illustration for AI Scientists

• 论文链接：https://arxiv.org/pdf/2601.23265

01 五大智能体齐上阵：PaperBanana的“香蕉戏法”

PaperBanana本质上是一个Agentic Framework（多智能体协作框架），它把画图这个原本由人类设计师+研究者共同完成的活儿，拆解成了五个高度专业化的AI角色，像一个默契的团队一样协作办事，最终为你生成一个精美的学术论文配图！

底层驱动靠的是目前最强的视觉-语言模型组合：Gemini 3 Pro（负责理解和推理）+ Nano-Banana-Pro（专为学术风格微调的图像生成模型）。

五大Agent分别是：

1、Retriever（检索者）

像个学术界的“Pinterest”猎手。它会从 NeurIPS/ICLR/CVPR 等顶会论文中搜寻视觉结构相似的参考图。神奇的是，实验发现不需要主题完全匹配，只要是“好图”的结构和排版风格，就能大幅提升最终效果。

2、Planner（规划师）

把你扔过去的Methodology文字+期望的Caption，转化成一份极其详细的“视觉脚本”。它会把复杂的技术流程拆解成节点、连接、层级关系，甚至标注哪些部分需要突出。

3、Stylist（造型师）

负责学术界的“高级审美”。它从海量顶会论文里提炼出配色规范、字体偏好、留白习惯、箭头样式等“NeurIPS风”美学规则，然后强行套用到规划脚本上，让图看起来“就是那种味儿”。

4、Visualizer（可视化师）

真正下笔（生成）的那个。它既能直接输出像素级图像，也能生成可执行的Python/Matplotlib代码（特别适合需要精确数值的统计图表）。生成的图可以直接扔进论文pdf。

5、Critic（批评家）

最狠的角色。它会像最毒舌的审稿人一样，逐像素检查：忠实度够不够？有没有hallucination？字体是不是歪了？箭头有没有指向错误？然后把反馈给Visualizer，循环迭代3轮以上，直到它自己都挑不出大毛病。

这个“检索→规划→造型→生成→批判→再生成”的闭环，也就是说它可以在绘图的时候进行多次反复迭代，某种程度上可以理解成大模型中的“生成对抗网络”，而这就是PaperBanana能打败基线模型的关键。

为了公平评测，作者还专门构建了PaperBananaBench基准——从NeurIPS 2025论文中精心挑选了292个方法流程图案例（覆盖Agent、视觉、推理、优化等多个领域）。在忠实度（faithfulness）、简洁度（conciseness）、可读性（readability）和审美度（aesthetics）四个维度上，PaperBanana全面超越了当时最好的单模型/简单多轮生成基线，盲测人类偏好率接近75%。

02 一键生成NeurIPS级别的论文插图，还能润色人工绘图！

PaperBanana一经发布，X平台（Twitter）上就炸开了锅，因为大量科研人员、技术人员还有学生党聚集讨论，其中很多人面临着论文发表的压力，不管是公司也好还是学生也好，有科研产出很有可能就需要发表论文，其中绘图当然会是一个大麻烦。

其中，项目一作、北大在读博士生Dawei Zhu本人兴奋安利，称“我们经常花太多时间在画图而不是想法上……PaperBanana可以自动生成NeurIPS级别的论文插图！支持diagram和统计plot，还能润色已有的人工绘图。”

而粉丝量高达41万的博主，AI教育专家Hasan Toor发帖称，PaperBanana随机参考示例的效果与完美匹配的示例一样好，盲测中人类75%倾向PaperBanana！

由用户实际上使用后，光是第一次迭代就发现其效果出乎意料的好。

03 香蕉革命：科研人学生党的春天真的要来了

PaperBanana可以生成多种尺寸的图像，从常见的1:1、16:9、4:3到适合手机尺寸的9:16和3:4等，以及多种分辨率1K、2K到4K都有。

其中1K和2K的价格都是8 Credits。

而购买分了3个档次，分别是按月、按年和单次购买，其中又细分了Starter、Pro和Premium，其实并不算特别贵，科研人学生党的春天真的要来了！

PaperBanana的意义远不止“省时间画图”这么简单。

它实际上填补了当前“AI Scientist”闭环里最致命的一块短板——从逻辑推理到视觉表达的最后一环。现在的AI可以写论文草稿、设计实验、分析结果，但一到可视化环节就卡壳。PaperBanana第一次让“全自动科学发现”在视觉呈现上也变得可行。

试想一下：未来你写完方法描述，按下“Run”，AI不仅给出结论，还顺手把所有核心图表、消融实验图、架构图、流程图全部生成完毕，直接导出LaTeX-ready的格式……投稿前的“美化地狱”真的有可能成为历史。

当然，现在它还在waitlist阶段，模型也还有边界（极端复杂场景、极度定制化的图例等仍需人工介入）。但方向已经非常明确了：

未来不久，也许我们真的只需要点一下“Run”，就能从idea到投稿了。

你准备好迎接这个“香蕉革命”了吗？🍌

04 关于PaperBanana一作：北大博士Dawei Zhu

第一作者Dawei Zhu现为北京大学在读博士，PaperBanana是其在Google Cloud作为学生研究员的实习期间主导完成的一项工作。

Dawei Zhu的研究方向集中在长上下文建模（Long Context Modeling）、智能体（Agents）、模型对齐（Alignment）与大模型能力扩展等前沿领域，其多篇论文已在 ACL、ICLR、EMNLP、COLING、AAAI 等顶级会议发表或收录，部分论文引用量已达数百次。

其主要研究方向如下：

1、长上下文语言模型，成果包括：PoSE：Positional Skip-wise Training（ICLR 2024）、LongEmbed（EMNLP 2024）等；

2、智能体与工具调用，成果包括：AgentBank（EMNLP 2024）；

3、模型对齐与评估，成果包括：Large Language Models are not Fair Evaluators（ACL 2024）、Long Context Alignment with Short Instructions（2024）。