PaperBanana：Google 用多智能体框架自动生成学术插图

摘要

Google 推出 PaperBanana，一种全新的学术插图自动化生成方案。它并非单一的图像生成模型，而是一个编排五个专业 AI 智能体（检索、规划、风格、可视化、评审）协同工作的代理框架，能将原始文本或数据转化为出版级别的学术图表。相比 Nano Banana 等现有模型，PaperBanana 生成的插图更简洁、美观且逻辑准确。

内容框架与概述

文章首先引出 PaperBanana 的定位——面向研究者和开发者，自动化生成学术论文中的流程图和图表。它与现有图像模型的核心差异在于采用了代理框架架构，将逻辑规划与视觉渲染解耦，避免了传统模型常见的配色陈旧和内容冗余问题。

随后文章详细拆解了其五智能体协作机制：检索器查找参考图表，规划器生成文本描述，风格师优化视觉表现，可视化器输出图像，评审器进行质量把控。这种流水线式分工使最终产出在忠实度和美观度上显著优于黑盒模型。

文章还列举了多种应用场景，包括从文本生成插图、美化手绘草图、UI 设计、专利绘图和工程制图等。对于需要数值精确性的统计图表，PaperBanana 可生成可执行的 Python 代码来确保数据无误。当前版本仅支持栅格图像输出，未来计划支持可编辑的矢量图形。

核心概念及解读

Agentic Framework（代理框架）：PaperBanana 的核心架构理念，通过编排多个专业智能体分工协作，取代单一模型的端到端生成方式。

五智能体流水线：由 Retriever、Planner、Stylist、Visualizer、Critic 五个角色组成，每个环节专注单一职责，层层递进保障输出质量。

Reference-Driven（参考驱动）：系统先从参考数据集中检索相似图表作为样本，再基于此进行规划和生成，确保输出风格和结构有据可依。

逻辑与美学解耦：将内容的逻辑规划和视觉美化分配给不同智能体处理，避免传统模型中逻辑准确性和视觉美感相互妥协的问题。

Code-Based Generation（代码驱动生成）：针对统计图表等需要数值精确的场景，生成可执行 Python 代码而非直接输出图像，从根本上消除数据幻觉。

原文信息

此摘要卡片由 AI 自动生成