PaperBanana Pendahuluan

PaperBanana adalah kerangka agen yang dirancang untuk mengotomatisasi pembuatan ilustrasi akademis bagi peneliti AI. Sistem ini menggunakan alur kerja multi-agen (Retriever, Planner, Renderer, dan Critic) untuk mengubah deskripsi teks atau sketsa kasar menjadi diagram metodologi dan plot statistik yang siap publikasi. Pengguna dapat menghasilkan gambar dari awal dengan memberikan konteks dan keterangan, atau mengunggah sketsa yang digambar tangan untuk pemolesan digital. Kerangka ini menekankan presisi akademik, menggunakan evaluasi mandiri berulang untuk meningkatkan kesetiaan, kekonsisan, dan estetika. Dengan membandingkan dengan standar konferensi terkemuka seperti NeurIPS, PaperBanana bertujuan mengurangi waktu yang dihabiskan untuk pembuatan gambar. Sebagai proyek open source, ia menyediakan kode, data, dan benchmark (PaperBananaBench) untuk mendukung komunitas penelitian.

PaperBanana berfungsi sebagai kerangka agen yang mengotomatisasi ilustrasi akademis bagi peneliti. Alur kerjanya mengorkestrasi agen-agen khusus: Retriever mengumpulkan konteks sumber, Planner merancang tata letak, Renderer menghasilkan gambar awal menggunakan model visi-bahasa, dan Critic melakukan kritik mandiri berulang untuk menyempurnakan keluaran. Sistem ini menerima deskripsi tekstual atau sketsa kasar, menghasilkan diagram metodologi dan plot statistik yang siap publikasi. Proses ini menekankan pada kesetiaan, kelakuan, dan standar estetika yang cocok untuk konferensi kelas dunia. Dengan mengotomatisiskan hambatan pembuatan gambar, PaperBanana memungkinkan peneliti berfokus pada konten sekaligus memastikan aset visual dengan kualitas vektor dan standar yang terstandardisasi.

PaperBanana adalah kerangka agén yang dirancang untuk mengotomatiskan pembuatan ilustrasi akademik untuk peneliti AI. Ia menghasilkan diagram metodologi siap publikasi dan plot statistik langsung dari deskripsi teks atau sketsa kasar. Sistem ini menggunakan alur kerja multi-agen —Retriever, Planner, Renderer, dan Critic— untuk menyempurnakan output secara iteratif, memastikan ketepatan tinggi, kebijaksanaan, dan kepatuhan terhadap standar konferensi. Dengan menangani baik generasi teks-ke-diagram maupun pemolesan sketsa, PaperBanana mengatasi bottleneck yang memakan waktu dalam produksi gambar. Ia bersifat open-source, mencakup benchmark PaperBananaBench (292 kasus uji NeurIPS 2025), dan mengintegrasikan model visi-bahasa paling mutakhir untuk visual vektor yang andal dan berkualitas.

Kelebihan

• Mengotomatiskan pembuatan ilustrasi akademis dengan efisien.
• Framework berbasis agen meningkatkan keandalan diagram.
• Mendukung input teks dan sketsa.
• Teruji sesuai standar publikasi.

Kekurangan

• Model harga berbasis kredit dapat meningkatkan biaya.
• Parameter konfigurasi membutuhkan keahlian pengguna.
• Akurasi output tergantung pada kualitas input.
• Hanya untuk diagram metodologi dan plot.