摘要
科研插图是学术论文中不可或缺的组成部分，但传统绘图流程长期面临“审美与逻辑不可兼得、生成与编辑彻底断层”的困境。2026年初，AI生成科研图领域迎来突破性进展：西湖大学AutoFigure框架提出“推理式渲染”范式，通过多智能体协作将长文本自动转化为出版级SVG矢量图，在人类专家评估中66.7%的生成图像被认为达到Camera-ready标准，相关工作入选ICLR 2026；谷歌PaperVizAgent采用五智能体协作架构，在准确性、简洁性、可读性和美观度综合评测中获得60.2分，首次超越人类基准（50.0分），成为唯一超过人类水平的自动图表生成框架；PaperBanana框架发布首个大规模学术插图基准集PaperBananaBench（292个测试用例），系统评估方法论图的忠实度、简洁性、可读性和美观度。与此同时，学术出版界正建立AIGC使用边界框架——允许AI辅助制图但禁止生成原始研究数据图表，并要求明确披露。本综述系统梳理AI生成科研图的技术原理、主流工具和实践规范，为研究者和出版机构提供系统参考。
关键词：AI生成科研图；AutoFigure；PaperVizAgent；推理式渲染；多智能体系统；学术伦理
1 引言：科研绘图的痛点与AI机遇
1.1 科研绘图的三重困境
在学术研究流程中，论文插图是展示方法、结果和概念的核心载体。一个精心设计的方法流程图可以胜过千字文字描述，一幅清晰的机制示意图能让读者在数秒内理解复杂理论。然而，正是这种“视觉化抽象概念”的任务，构成了科研写作中最耗时的环节之一。
当前科研绘图面临三重困境：
审美与逻辑不可兼得。传统AI生图模型（如早期版本的图像生成器）能够产出视觉惊艳的结果，但常常出现逻辑错误——箭头方向颠倒、模块连接混乱、专业术语渲染失真。更严重的是，这类模型生成的文字往往出现“克苏鲁风格”的模糊字符，无法满足学术出版的精确性要求。
生成与编辑彻底断层。即使通过反复提示调校获得可用的图片，得到的往往是像素级的PNG或JPEG文件。当需要修改一个小图标、调整一处文字时，研究者不得不从零开始重新生成或在Photoshop中费力编辑——这一过程与“高效辅助”的初衷背道而驰。
学习成本居高不下。对于非设计背景的研究者，掌握TikZ、Adobe Illustrator或专业绘图软件需要数百小时的学习投入。在论文截稿的紧迫压力下，“画图”往往成为挤占核心研究时间的主要负担。
1.2 2026年：AI生成科研图的转折点
2026年初，上述困境正在被多个突破性工作所改变。西湖大学团队提出的AutoFigure框架首次实现了从长文本到出版级SVG矢量图的端到端生成；谷歌Cloud推出的PaperVizAgent在综合评测中超越人类基准；与此同时，学术出版界正建立AI使用边界框架，为这一技术的发展划定了清晰的合规路径。
可以毫不夸张地说，AI生成科研图正经历从“玩具”到“工具”的质变。本综述将从技术原理、主流工具、伦理规范和实践建议四个维度，系统梳理这一新兴领域。
2 技术范式：三大核心架构
2.1 推理式渲染：AutoFigure的“脑手分离”策略
西湖大学AutoFigure团队提出的推理式渲染范式是该领域最具影响力的方法论创新。其核心思想是借鉴人类设计师的工作流程——先构思逻辑布局，再专注美学渲染——将这两个阶段在AI系统中彻底分离。
为什么需要分离？
现有的端到端图像生成模型本质上是“像素预测器”——根据输入文本，预测每个位置应该呈现什么颜色。这种方法在处理“一只猫坐在沙发上”这类松散视觉描述时表现出色，但在处理“A模块输出连接到B模块，B模块输出分为C和D两条路径”这类结构化逻辑关系时，模型无法“理解”连接规则，导致视觉混乱。
AutoFigure将任务拆解为三个阶段：
第一阶段：构建逻辑骨架（Conceptual Grounding）
AI首先读取长达数万字的文字材料（论文方法部分、书籍章节、技术博客），自动提取实体和关系，生成一个粗糙但结构正确的布局代码（SVG/HTML格式）。此时的输出没有经过美化，但模块位置、连接走向、层次关系严格遵循原文描述。
第二阶段：智能体闭环迭代（Critique-and-Refine）
系统引入“AI批评家”机制。在设计过程中，一名“AI设计师”负责根据反馈修改布局，另一名“AI批评家”负责挑毛病——“这里的箭头重叠了”“布局重心偏左”“标签字号不一致”。这种“自我审视”循环持续进行，直到输出稳定、高质量的布局方案。
第三阶段：美化渲染与文字矫正（Aesthetic Rendering & Erase-and-Correct）
在最终美化阶段，AutoFigure首先将布局渲染为一张精美的图片。随后，引入了专门的“擦除-修正”策略：使用OCR识别图片中的模糊字符，将其“抠掉”，再重新覆盖上清晰的矢量文本。这一设计解决了AI生图中长期存在的“文字幻觉”问题。
AutoFigure-Edit：把AI生成图装进PPT
AutoFigure的升级版本进一步实现了从“像素”到“矢量”的跨越。通过集成Meta SAM3自动抠图技术和RMBG-2.0背景去除工具，系统将生成的图标重组为可编辑的SVG模板。最终用户可以在浏览器自带的编辑器中自由拖拽、修改文字、更换颜色。
实验结果
研究团队构建了全球首个大规模科学插图基准——FigureBench，涵盖3300个高质量文本-图片对，跨越论文、综述、技术博客、教科书四种科学文本类型。人类专家盲测结果显示：66.7%的评审专家认为AutoFigure生成的图像已达到Camera-ready（出版级）标准。
2.2 多智能体协作：Google PaperVizAgent的架构
与AutoFigure的“分阶段”策略不同，谷歌Cloud的PaperVizAgent采用了五智能体并行协作架构。
五个智能体的分工
检索代理（Retrieval Agent）：自动在文献数据库中查找与当前研究主题相关的高质量图表示例，作为设计参考
规划代理（Planning Agent）：根据输入文本（论文方法部分等）和检索示例，组织信息的层级结构和逻辑流向
风格代理（Style Agent）：根据学术论文规范（期刊要求、学科惯例）生成视觉设计建议，包括配色、字体、线条粗细等
可视化代理（Visualization Agent）：负责生成最终的视觉输出——对于结构示意图，直接生成图像；对于统计图表，生成可复现的Python代码（使用Matplotlib、Seaborn等库）
评估代理（Evaluation Agent）：将生成的图表与原始文本进行逐句比对，发现不一致之处（如遗漏的模块、反向的连接），触发反馈回路进入迭代优化
效果评估
在包含准确性、简洁性、可读性和美观度四个维度的综合评测中，PaperVizAgent获得60.2分的总评分，超过GPT-Image-1.5、Nano-Banana-Pro和Paper2Any等基线系统，并成为唯一超过人类基准分（50.0） 的自动图表生成框架。
值得注意的是，PaperVizAgent目前仍处于实验性研究原型阶段，谷歌明确表示“其生成结果不应作为正式出版决策的唯一依据”。
2.3 基准驱动：PaperBanana的评估体系
PaperBanana是由独立研究团队开发的学术插图自动化生成框架，其核心贡献不在于生成算法本身，而在于构建了系统性的评估体系。
PaperBananaBench基准集
PaperBanana团队发布了首个大规模学术插图基准集PaperBananaBench，包含292个测试用例，覆盖生物学、医学、物理学等多个学科。该基准集从忠实度、简洁性、可读性和美观度四个维度对生成图像进行系统评估，为不同框架提供了公平比较的平台。
3 学术伦理与出版规范
随着AI生成科研图技术的成熟，学术出版界正在建立相应的使用边界框架。目前的主流共识包括：允许AI辅助制图（如生成示意图、流程图），但禁止使用AI生成原始研究数据图表（如实验结果的统计图）；所有使用AI生成的图像必须在论文中明确披露，包括使用的工具和生成过程；作者对AI生成内容的科学准确性负最终责任。
4 实践建议与未来展望
对于研究者而言，选择合适的AI科研图工具需考虑以下因素：生成图像的矢量可编辑性、对专业术语的准确性、与目标期刊格式的兼容性。未来，随着推理式渲染和多智能体协作技术的进一步发展，AI有望实现从“辅助绘图”到“自主设计”的跨越，彻底改变科研写作的流程。