对众多科研工作者而言，将复杂的研究成果转化为清晰直观的学术图表，往往是整个研究流程中最耗时费力的环节。近期，Google携手北京大学推出了一款创新的AI科研绘图工具——“Paper Banana”。该工具基于多智能体协同架构，能够自动生成高水准的学术结构示意图与统计可视化图表，有效降低论文图表制作的门槛。

整个系统由五个各司其职的AI智能体构成，协同完成从技术文档到专业级视觉作品的端到端转化。其工作流程分为两大核心阶段：

第一阶段：线性规划（Linear Planning）

系统首先启动“检索智能体”，从内部知识库中精准匹配出10组最具参考价值的图表范例；随后，“规划智能体”将原始技术内容解析并重组为结构完整、语义清晰的图像生成指令；最后，“风格智能体”统一调配配色方案、字体规范与布局逻辑，确保最终输出符合NeurIPS等顶级学术会议的视觉出版标准。

第二阶段：迭代优化（Iterative Refinement）

“可视化智能体”负责执行具体的绘图任务：绘制系统架构图时，调用轻量级图像生成模型Nano-Banana-Pro；处理统计图表时，则直接生成可运行的Python Matplotlib代码。初稿完成后，“评审智能体”立即介入，逐项比对原始文本内容，识别潜在的事实偏差、数据错位或构图缺陷，并触发最多三轮自动修正循环，持续提升图表质量。

统计图表的核心要求是数据保真度——而这正是多数通用图像生成模型的薄弱环节。Paper Banana的关键突破在于采用了“混合生成策略”：一旦检测到输入内容包含明确的数值型信息，系统即强制切换至代码生成模式，从而彻底规避AI常见的数值幻觉、标签重复以及坐标轴失准等问题。

研究团队构建了涵盖292篇NeurIPS 2025真实论文图表的评估基准集Paper Banana Bench。实测数据显示，该工具在“智能体协作与逻辑推演类”图表任务中表现尤为突出，综合得分达到69.9%；在简洁性（提升37.2%）、可读性（提升12.9%）与美观度（提升6.6%）三大核心维度上，全面超越当前主流基线模型。随着工具的广泛应用，未来有望显著压缩科研人员在论文图表制作环节所投入的时间成本。