PaperBanana: Automatizando a Ilustração Acadêmica para Cientistas de IA
PaperBanana: Automating Academic Illustration for AI Scientists
January 30, 2026
Autores: Dawei Zhu, Rui Meng, Yale Song, Xiyu Wei, Sujian Li, Tomas Pfister, Jinsung Yoon
cs.AI
Resumo
Apesar dos rápidos avanços em cientistas de IA autónomos baseados em modelos de linguagem, a geração de ilustrações prontas para publicação continua a ser um estrangulamento intensivo em mão-de-obra no fluxo de trabalho de investigação. Para aliviar este fardo, apresentamos o PaperBanana, um *framework* agentivo para a geração automatizada de ilustrações académicas publicáveis. Alimentado por modelos de linguagem visual e de geração de imagens de última geração, o PaperBanana orquestra agentes especializados para recuperar referências, planear conteúdo e estilo, renderizar imagens e refinar iterativamente através de auto-crítica. Para avaliar rigorosamente o nosso *framework*, introduzimos o PaperBananaBench, composto por 292 casos de teste para diagramas de metodologia curados a partir de publicações da NeurIPS 2025, abrangendo diversos domínios de investigação e estilos de ilustração. Experiências abrangentes demonstram que o PaperBanana supera consistentemente as principais *baselines* em fidelidade, concisão, legibilidade e estética. Mostramos ainda que o nosso método se estende eficazmente à geração de gráficos estatísticos de alta qualidade. Coletivamente, o PaperBanana abre caminho para a geração automatizada de ilustrações prontas para publicação.
English
Despite rapid advances in autonomous AI scientists powered by language models, generating publication-ready illustrations remains a labor-intensive bottleneck in the research workflow. To lift this burden, we introduce PaperBanana, an agentic framework for automated generation of publication-ready academic illustrations. Powered by state-of-the-art VLMs and image generation models, PaperBanana orchestrates specialized agents to retrieve references, plan content and style, render images, and iteratively refine via self-critique. To rigorously evaluate our framework, we introduce PaperBananaBench, comprising 292 test cases for methodology diagrams curated from NeurIPS 2025 publications, covering diverse research domains and illustration styles. Comprehensive experiments demonstrate that PaperBanana consistently outperforms leading baselines in faithfulness, conciseness, readability, and aesthetics. We further show that our method effectively extends to the generation of high-quality statistical plots. Collectively, PaperBanana paves the way for the automated generation of publication-ready illustrations.