PaperBanana

Orchestration par Cadre Agentique

Utilise un système multi-agents (Récupérateur, Planificateur, Moteur de Rendu, Critique) pour gérer de manière autonome le flux de travail de bout en bout de la génération d'illustrations académiques.

Génération de Diagrammes à partir de Texte

Accepte des descriptions textuelles ou un contexte méthodologique en entrée pour planifier automatiquement la mise en page et générer des diagrammes méthodologiques et des organigrammes de qualité publication.

Polissage et Affinage d'Esquisses

Charge des croquis à main levée approximatifs, utilise une IA multimodale pour les interpréter et les transformer en diagrames polis, professionnels et au style cohérent.

Visualisation de Graphiques Statistiques

Génère des graphiques et diagrammes statistiques précis, de style publication, à partir de données, en assurant une sortie de qualité vectorielle pour les articles et présentations académiques.

Raffinement Itératif par Auto-Critique

Intègre une boucle de rétroaction où les agents évaluent les sorties selon des métriques comme la fidélité et l'esthétique, en affinant itérativement les résultats pour répondre aux normes de publication.

• Chercheurs en IA : Générer des diagrammes d'architecture de modèles complexes à partir de descriptions textuelles en utilisant le framework agentique de PaperBanana pour des illustrations méthodologiques prêtes à la publication.
• Étudiants diplômés : Transformer des croquis de recherche dessinés à la main en illustrations académiques polies avec un raffinement multimodal et une cohérence de style.
• Analystes de données : Créer des tracés statistiques précis et des graphiques de style de publication directement à partir de descriptions de données pour les articles de recherche.
• Laboratoires universitaires : Standardiser l'esthétique des diagrammes et assurer la conformité aux conférences grâce à des boucles itératives de raffinement par autocritique.

Qu'est-ce que PaperBanana ?

PaperBanana est un framework d'agents open source conçu pour automatiser la création d'illustrations académiques prêtes à la publication pour les chercheurs. Il génère des diagrames de méthodologie de haute qualité et des graphiques statistiques à partir de descriptions textuelles ou d'esquisses grossières, comblant le fossé entre les idées de recherche et la communication visuelle.

Comment le flux de travail agentique fonctionne-t-il ?

PaperBanana utilise un système multi-agents avec quatre étapes principales : Retrieve collecte le contexte pertinent, Plan conçoit la mise en page, Render produit une image initiale à l'aide de modèles avancés, et Refine critique et améliore itérativement le résultat pour une fidélité, une concision et une esthétique accrues.

Quel type de diagrammes puis-je générer ?

Le framework est polyvalent, capable de produire des diagrammes de méthodologie complexes tels que des architectures de modèles et des organigrammes, ainsi que des graphiques statistiques précis. Il gère à la fois la génération texte-image et le polissage d'esquisses, couvrant la plupart des besoins visuels des articles académiques.

Puis-je l'utiliser pour polir mes esquisses existantes ?

Oui, les capacités multimodales de PaperBanana permettent aux utilisateurs de téléverser des esquisses approximatives dessinées à la main. Le système interprète l'intention visuelle et l'affine en un diagramme professionnel et poli, tout en préservant la mise en page originale et en garantissant la cohérence du style.

Cet outil est-il adapté aux conférences de premier plan ?

PaperBanana est évalué par rapport aux normes des principales conférences d'IA comme NeurIPS. Ses métriques d'évaluation se concentrent sur la fidélité, la concision, la lisibilité et l'esthétique, démontrant des performances constantes qui répondent aux exigences rigoureuses de publication dans des lieux prestigieux.

PaperBanana est-il open source ?

Oui, PaperBanana est un projet open source. Le code, les données et les modèles sont accessibles au public sur GitHub, et la recherche est détaillée dans un article ArXiv. Cette ouverture encourage la collaboration et l'innovation de la communauté dans l'illustration scientifique automatisée.

Dois-je être un expert en design ?

Non, PaperBanana est spécifiquement conçu pour les chercheurs sans expertise en design. Les utilisateurs n'ont qu'à fournir un contexte scientifique ou des esquisses ; le framework d'agents gère la planification de la mise en page, le rendu et l'affinement esthétique pour produire des figures de qualité professionnelle.

Comment fonctionne le système de crédits pour générer des illustrations ?

PaperBanana utilise un modèle basé sur les crédits où chaque tâche de génération d'illustration consomme 29 crédits. Si le framework termine la tâche avant d'épuiser toutes les itérations allouées, les crédits inutilisés sont automatiquement remboursés. Des structures tarifaires détaillées et des forfaits de crédits sont disponibles sur la page Tarification officielle.

Qu'est-ce que PaperBananaBench et pourquoi est-ce important ?

PaperBananaBench est un ensemble de données de benchmark complet contenant 292 cas de test organisés extraits des articles de NeurIPS 2025. Il fournit une suite d'évaluation standardisée pour les outils d'illustration automatisés, permettant des comparaisons objectives de la fidélité, de la concision et de l'esthétique entre différents systèmes.

Comment PaperBanana garantit-il l'exactitude des diagrammes générés ?

L'exactitude est garantie par un mécanisme d'auto-critique où des agents spécialisés évaluent rigoureusement les résultats par rapport au contexte source. Le processus d'affinement itératif améliore continuellement la fidélité aux données d'entrée et le respect des normes académiques, minimisant les hallucinations ou les erreurs.

PaperBanana peut-il être appliqué à des domaines de recherche non liés à l'IA ?

Bien que PaperBanana soit optimisé pour la recherche en IA et évalué sur des articles de conférences d'IA, sa fonctionnalité centrale de génération de diagrammes de méthodologie et de graphiques statistiques est adaptable à d'autres disciplines scientifiques. L'efficacité peut varier en fonction des conventions de visualisation spécifiques au domaine.

Comment puis-je obtenir de l'aide ou contribuer au projet ?

Le support est disponible par e-mail à l'adresse connect@paperbanana.org. Pour contribuer, les utilisateurs peuvent explorer le code open source sur GitHub, signaler des problèmes ou soumettre des pull requests. Le projet encourage également l'engagement de la communauté grâce aux ressources de son article ArXiv et de sa page projet.

• PaperBanana est un framework d'agents destiné aux chercheurs en IA, qui automatise la création d'illustrations académiques prêtes à être publiées, y compris les schémas méthodologiques et les graphiques statistiques, à partir de descriptions textuelles ou d'esquisses de référence.
• Accédez à l'outil via le site officiel de PaperBanana à paperbanana.org ou déployez le code open-source depuis le dépôt GitHub pour une utilisation locale ou sur serveur.
• Pour la génération de diagrammes à partir de texte, entrez le contexte méthodologique et la légende de la figure dans les champs de saisie prévus ; ils décrivent les composants et la narration de l'illustration souhaitée.
• Configurez les paramètres de génération tels que le ratio d'aspect (par ex. 16:9) et le nombre maximal d'itérations pour adapter les dimensions de sortie et la profondeur de l'affinement itératif.
• Lancez le processus en activant la fonction de génération ; le framework orchestre les agents pour récupérer le contexte, planifier la mise en page, rendre l'image et faire de l'auto-critique pour des améliorations.
• Pour peaufiner un croquis existant, téléchargez une image dessinée à la main ; les capacités multimodales de PaperBanana l'interprètent et l'affinent en un diagramme cohérent et professionnel tout en préservant la mise en page.
• Surveillez l'utilisation des crédits pendant la génération, avec un coût par itération et des remboursements automatiques de tout crédit inutilisé si la tâche se termine avant la limite d'itérations.
• Une fois l'opération terminée, examinez l'illustration générée pour vérifier l'exactitude de la représentation du contexte d'entrée et le respect des normes esthétiques académiques, en utilisant les repères de feedback intégrés.
• Interprétez les résultats en évaluant la fidélité, la concision et la lisibilité ; si nécessaire, modifiez les entrées ou régénérez pour améliorer l'alignement avec les exigences spécifiques de la recherche.
• Téléchargez la sortie finale en qualité vectorielle ou haute résolution et intégrez-la directement dans les manuscrits, présentations ou matériels supplémentaires pour respecter les lignes directrices de publication des conférences.