PaperBanana 是一个参考驱动的多智能体框架，用于自动生成学术插图。它像一支由专门智能体组成的创作团队，通过编排好的流水线把原始科学内容转化为可发表质量的图表和统计图。框架利用参考示例的上下文学习和迭代优化，产出兼具美观与语义准确的科学插图。
用途 PaperBanana 面向 AI 科研人员与研究者，目标是自动化生成学术论文中的概念示意图（diagram）和数据统计图（plot），加速学术研究的迭代与视觉表达。项目声明为完全开源项目，旨在服务所有研究者，目前没有商业化计划。
主要能力 框架由五个专门智能体构成结构化流水线：
- Retriever Agent：从精选参考图库中识别最相关的参考图，指导下游智能体。
- Planner Agent：通过上下文学习，将方法内容与传达意图转化为完整的文本描述。
- Stylist Agent：使用自动合成的风格指南，将描述细化为符合学术审美标准的版本。
- Visualizer Agent：使用先进的图像生成模型，将文本描述转化为视觉输出。
- Critic Agent：与 Visualizer 形成闭环优化机制，通过多轮迭代改进。
框架特点包括：参考驱动（通过生成式检索从精选示例中学习）、迭代优化（Critic-Visualizer 循环逐步提升质量）、风格感知（自动合成美学指南确保学术质量）、灵活模式（多种实验模式适配不同场景）。
交互式演示能力包括：并行生成（最多同时生成 20 个候选图）、流水线可视化（追踪 Planner → Stylist → Critic 各阶段演进）、高分辨率优化（通过图像生成 API 放大到 2K/4K）、批量导出（以 PNG 或 ZIP 下载全部候选图）。
可扩展设计包括：模块化智能体（每个智能体可独立配置）、任务支持（同时处理概念示意图和数据统计图）、评估框架（内置针对真值的多指标评估）、异步处理（可配置并发的批量处理）。
使用方式 在线试用：无需安装，可直接访问 Hugging Face Spaces 上的 PaperBanana。输入 API 密钥（OpenRouter 或 Google Gemini），配置所需参数（流水线模式、候选数量、宽高比等），粘贴方法章节文本和图注，点击 Generate。
本地运行 Gradio 应用：Gradio 的 Figure Size 设置将 1-3cm 和 4-6cm 映射为 1k，7-9cm 和 10-13cm 映射为 2k，14-17cm 映射为 4k，用于 Gemini 和 OpenRouter 的图像生成调用；OpenAI gpt-image 请求继续使用其既有的固定尺寸 API 路径。
本地运行 Streamlit 演示：提供两个主要工作流。
- Generate Candidates 标签页：粘贴方法章节内容（推荐 Markdown）并提供图注；配置设置（流水线模式、检索设置、候选数量、宽高比、Critic 轮数）；点击 Generate Candidates 等待并行处理；在网格中查看结果、演进时间线，并下载单张图片或批量 ZIP。
- Refine Image 标签页：上传生成的候选图或任意图表；描述期望的修改或请求放大；选择分辨率（2K/4K）和宽高比；下载优化后的高分辨率输出。
命令行运行：可用选项包括 --dataset_name（默认 PaperBananaBench）、--task_name（diagram 或 plot，默认 diagram）、--split_name（默认 test）、--exp_mode、--retrieval_setting（auto、manual、random 或 none，默认 auto）。
实验模式：
- vanilla：直接生成，无规划或优化
- dev_planner：Retriever → Planner → Visualizer
- dev_planner_stylist：Retriever → Planner → Stylist → Visualizer
- dev_planner_critic：Retriever → Planner → Visualizer → Critic（多轮）
- dev_full：包含所有智能体的完整流水线
- demo_planner_critic：演示模式（Retriever → Planner → Visualizer → Critic，无 Stylist），不进行评估
- demo_full：演示模式（完整流水线），不进行评估
安装步骤 Step1：克隆仓库。 Step2：配置。支持从 YAML 配置文件或环境变量配置 API 密钥。建议将 configs/model_config.template.yaml 复制为 configs/model_config.yaml 以外部化所有用户配置，该文件被 git 忽略以保护密钥。在 model_config.yaml 中填写两个模型名称（defaults.main_model_name 和 defaults.image_gen_model_name），并在 api_keys 下至少设置一个 API 密钥——例如仅 google_api_key（Gemini）或仅 openrouter_api_key（OpenRouter），无需两者都有；若两者都配置，OpenRouter 在可用时优先用于路由。注意：若需同时生成大量候选图，需要支持高并发的 API 密钥。 Step3：下载数据集。先下载 PaperBananaBench，放到 data 目录下（如 data/PaperBananaBench/）。框架设计为在没有数据集时也能正常运行，会绕过 Retriever Agent 的少样本学习能力。如需原始 PDF，可从 PaperBananaDiagramPDFs 下载。 Step4：安装环境。使用 uv 管理 Python 包。创建并激活虚拟环境：uv venv，然后 source .venv/bin/activate（Windows 为 .venv\Scripts\activate）。安装 Python 3.12：uv python install 3.12。安装依赖：uv pip install -r requirements.txt。
适用场景 适用于需要为学术论文生成概念示意图或数据统计图的科研人员，支持计算机科学及其他领域（参考集正在扩展以支持更多领域）。也适用于希望研究或复现多智能体学术插图生成方法的开发者。
限制与说明 项目声明这不是 Google 官方支持的产品，不参与 Google 开源软件漏洞奖励计划。核心方法在作者于 Google 实习期间开发，相关特定工作流已由 Google 申请专利；这不影响开源研究，但限制第三方使用类似逻辑进行商业应用。项目目前没有商业化计划。官方说明指出，尽管已取得扎实进展，但在更可靠的生成以及更多样、复杂的场景方面仍有很长的路要走。
社区支持 围绕本仓库发布，社区出现了若干复现工作，包括 llmsresearch/paperbanana、efradeca/freepaperbanana、elpsykongloo/PaperBanana-Pro（持续更新的中文增强版，流水线更稳定、体验更友好）。此外还有探索同一主题的其他工作，如 ResearAI/AutoFigure-Edit、OpenDCAI/Paper2Any、BIT-DataLab/Edit-Banana。
更新记录 2026-03-24：PaperBanana 已托管于 Hugging Face Spaces。 2026-03-11：发布为 ClawHub 技能，可通过 clawhub install paperbanana 安装。 2026-03-11：Streamlit UI 增加模型选择，支持选择主模型（VLM）和图像生成模型，提供预设选项和自定义输入。 2026-03-11：增加 OpenRouter 支持，可通过统一 API 使用 OpenAI、Anthropic 等提供商的模型。 2026-03-11：增加 Contributors 部分，支持 all-contributors 机器人。
待办事项包括：支持手动选择示例、提供更友好的界面、上传生成统计图的代码、上传基于风格指南改进现有图表的代码、扩展参考集以支持计算机科学之外的更多领域。
