PaperBanana：为AI科学家自动生成学术插图

arXiv 2026 49.4 method, system, benchmark, application

TLDR

PaperBanana利用VLM和图像模型自动生成可发表的学术插图，并基于NeurIPS 2025构建基准。

评分理由

The paper addresses a practical bottleneck in research workflows with a well-defined framework and benchmark. Its strength lies in empirical evaluation and domain-specific focus, but it is limited to illustration generation rather than broader scientific discovery.

Read-first 评分解释

综合优先阅读分 49.4，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 39。

近期性 8%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基线、基准、评估、实验

主题相关性 42%

32.5

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：AI scientist、automated scientific discovery、autonomous research agent、automated research、literature review agent、survey generation、automated experimentation、experiment design agent、AI for scientific research、paper writing agent、research automation、scientific discovery agent

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：无

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：51。

关键词评分

AI for scientific research

AI scientist

paper writing agent

research automation

autonomous research agent

automated research

automated scientific discovery

literature review agent

scientific discovery agent

survey generation

automated experimentation

experiment design agent

深度分析

创新点

智能体框架，协调专门智能体进行参考文献检索、内容/风格规划、渲染和迭代自我批评优化
PaperBananaBench，一个包含292个来自NeurIPS 2025的方法论图基准，用于评估学术插图生成

方法

PaperBanana采用基于VLM和图像生成模型的智能体框架，其中智能体检索参考文献、规划内容和风格、渲染图像，并通过自我批评进行迭代优化。评估在PaperBananaBench上进行，该基准包含从NeurIPS 2025精选的292个方法论图，与领先基线在忠实性、简洁性、可读性和美观性方面进行比较。

关键结果

PaperBanana在忠实性、简洁性、可读性和美观性方面持续优于领先基线，并且能够生成高质量的统计图。

技术栈

VLMimage generation modelagentic framework

资源

论文