PaperBanana Einführung

PaperBanana ist ein Agenten-Framework, das entwickelt wurde, um die Erstellung akademischer Abbildungen für KI-Forscher zu automatisieren. Das System nutzt einen Multi-Agenten-Workflow (Retriever, Planner, Renderer und Critic), um Textbeschreibungen oder grobe Skizzen in publikationsreife Methodendiagramme und statistische Plots zu verwandeln. Nutzer können Abbildungen von Grund auf erstellen, indem sie Kontext und Bildunterschriften bereitstellen, oder handgezeichnete Skizzen zum digitalen Polieren hochladen. Der Rahmen betont akademische Präzision und verwendet iterative Selbstkritik, um Treue, Prägnanz und Ästhetik zu verbessern. Durch den Vergleich mit den Standards führender Konferenzen wie NeurIPS zielt PaperBanana darauf ab, die Zeit für die Abbildungserstellung zu reduzieren. Als Open-Source-Projekt stellt es Code, Daten und einen Benchmark (PaperBananaBench) bereit, um die Forschungsgemeinschaft zu unterstützen.

PaperBanana fungiert als ein agentenbasiertes Framework, das die Erstellung akademischer Abbildungen für Forscher automatisiert. Sein Workflow steuert spezialisierte Agenten: ein Retriever sammelt den Quellenkontext, ein Planer entwirft das Layout, ein Renderer erstellt das anfängliche Bild mithilfe von Vision-Language-Modellen und ein Kritiker führt eine iterative Selbstkritik durch, um die Ergebnisse zu verfeinern. Das System akzeptiert Textbeschreibungen oder grobe Skizzen und erstellt publikationsreife Methodendiagramme und statistische Plots. Dieser Prozess betont Treue, Präzision und ästhetische Standards, die für Top-Tagungen geeignet sind. Indem PaperBanana den Engpass bei der Abbildungserstellung automatisiert, ermöglicht es Forschern, sich auf den Inhalt zu konzentrieren, während es vektorqualitative, standardisierte visuelle Assets gewährleistet.

PaperBanana ist ein agentenbasiertes Framework, das entwickelt wurde, um die Erstellung akademischer Illustrationen für KI-Forscher zu automatisieren. Es generiert publikationsreife methodische Diagramme und statistische Plots direkt aus Textbeschreibungen oder groben Skizzen. Das System nutzt einen Multi-Agenten-Workflow —Retriever, Planner, Renderer und Critic—, um Ausgaben iterativ zu verfeinern und so hohe Treue, Prägnanz und Übereinstimmung mit Konferenzstandards zu gewährleisten. Indem es sowohl die Text-zu-Diagramm-Generierung als auch die Skizzenpolitur handhabt, adressiert PaperBanana den zeitintensiven Flaschenhals der Figurenproduktion. Es ist Open Source, enthält den PaperBananaBench-Benchmark (292 NeurIPS-2025-Testfälle) und integriert state-of-the-art Vision-Language-Modelle für zuverlässige, vektorbasierte Visualisierungen.

Vorteile

• Automatisiert effizient die Erstellung akademischer Abbildungen.
• Agentenbasiertes Framework verbessert die Zuverlässigkeit von Diagrammen.
• Unterstützt Text- und Skizzeneingaben.
• An Publikationsstandards gemessen.

Nachteile

• Kreditbasiertes Preismodell kann die Kosten erhöhen.
• Konfigurationsparameter erfordern Expertenwissen des Nutzers.
• Die Genauigkeit der Ausgabe hängt von der Qualität der Eingabe ab.
• Auf Methodikdiagramme und Plots beschränkt.