إنشاء 7 أنواع من الرسوم البيانية الإحصائية للبحث العلمي باستخدام Nano Banana Pro: طريقة توليد الكود تقضي تماماً على الهلوسة الرقمية

ملاحظة المؤلف: شرح مفصل لكيفية قيام PaperBanana بإنشاء المخططات الإحصائية العلمية من خلال توليد كود Matplotlib قابل للتنفيذ بدلاً من الصور النقطية، مما يقضي تماماً على مشكلة الهلوسة الرقمية، ويغطي 7 أنواع من المخططات بما في ذلك المخططات العمودية، والخطية، والمبعثرة.

تحمل المخططات الإحصائية في الأوراق البحثية النتائج الجوهرية للتجارب؛ فارتفاع الأعمدة، واتجاهات الخطوط، وتوزيع النقاط، كل نقطة بيانات يجب أن تكون دقيقة تماماً. ومع ذلك، عندما تستخدم مولدات الصور العامة مثل DALL-E أو Midjourney لإنشاء مخططات إحصائية، تظل هناك مشكلة قاتلة: الهلوسة الرقمية (Numerical Hallucination). عدم تطابق ارتفاع الأعمدة مع المقاييس، وإزاحة نقاط البيانات، وأخطاء تسميات المحاور – هذه المخططات التي "تبدو صحيحة ولكن بياناتها خاطئة"، إذا ظهرت في ورقة بحثية، فستكون العواقب وخيمة.

القيمة الجوهرية: بنهاية هذا المقال، ستفهم لماذا اختار PaperBanana توليد الكود بدلاً من توليد الصور لإنشاء المخططات الإحصائية العلمية، وستتقن طرق توليد كود Matplotlib لـ 7 أنواع من المخططات الإحصائية، وكيفية تحقيق تصور للبيانات الأكاديمية بصفر هلوسة رقمية وبتكلفة منخفضة عبر واجهة برمجة التطبيقات Nano Banana Pro من APIYI.

النقاط الجوهرية للرسوم البيانية الإحصائية العلمية في Nano Banana Pro

لماذا لا يمكن استخدام توليد الصور للرسوم البيانية الإحصائية العلمية

تواجه نماذج توليد الصور التقليدية بالذكاء الاصطناعي (مثل DALL-E 3 و Midjourney V7) عيباً جوهرياً عند إنشاء الرسوم البيانية الإحصائية العلمية: فهي تعالج الرسوم البيانية كـ «بكسلات» يتم رندرها، بدلاً من رسمها بناءً على «البيانات». هذا يعني أنه عندما يقوم النموذج بتوليد مخطط عمودي، فإنه لا يحسب ارتفاع الأعمدة بناءً على قيم مثل [85, 72, 91, 68]، بل يملأ البكسلات بناءً على نمط بصري "يشبه المخطط العمودي".

والنتيجة هي الهلوسة الرقمية — عدم تطابق ارتفاع الأعمدة مع مقياس محور Y، انحراف نقاط البيانات عن مواقعها الفعلية، وظهور تسميات المحاور بشكل مشوه أو خاطئ. في تقييمات PaperBanana، عند استخدام نماذج توليد الصور مباشرة لإنشاء الرسوم البيانية الإحصائية، كانت «الهلوسة الرقمية وتكرار العناصر» هي أخطاء الدقة الأكثر شيوعاً.

اعتمد PaperBanana استراتيجية مختلفة تماماً: بالنسبة للرسوم البيانية الإحصائية، لا يقوم وكيل Visualizer باستدعاء قدرات توليد الصور في Nano Banana Pro، بل يقوم بتوليد كود Python Matplotlib قابل للتنفيذ. هذا النهج «الكود أولاً» يقضي جذرياً على الهلوسة الرقمية — لأن الكود يربط البيانات بالعناصر البصرية وفقاً لحسابات رياضية دقيقة.

تحليل عميق لمشكلة الهلوسة العددية

ما هي الهلوسة العددية في الرسوم البيانية الإحصائية العلمية؟

تشير الهلوسة العددية إلى ظاهرة عدم اتساق العناصر المرئية التي تولدها نماذج توليد الصور بالذكاء الاصطناعي مع البيانات الفعلية عند إنشاء الرسوم البيانية الإحصائية. وتتمثل المظاهر المحددة في:

• انزياح ارتفاع الأعمدة: عدم تطابق ارتفاع الأعمدة في المخطط الشريطي مع قيم مقياس المحور Y.
• انحراف نقاط البيانات: ابتعاد النقاط في المخطط المبعثر عن إحداثيات (x, y) الصحيحة.
• أخطاء المقاييس: عدم تساوي المسافات بين علامات المقياس على المحاور أو كتابة قيم خاطئة.
• فوضى مفتاح الرسم: عدم تطابق ألوان مفتاح الرسم (Legend) مع سلاسل البيانات الفعلية.
• تداخل التسميات: ظهور أخطاء إملائية في تسميات المحاور أو تداخل النصوص فوق بعضها.

الأسباب الجذرية للهلوية العددية

هدف التدريب لنماذج توليد الصور العامة هو "توليد صور تبدو واقعية بصرياً"، وليس "توليد رسوم بيانية دقيقة بيانياً". عندما يرى النموذج في الـ موجه (Prompt) عبارة "مخطط شريطي، القيم [85, 72, 91, 68]"، فإنه لا يقوم بإنشاء رسم خرائط رياضي من القيم إلى ارتفاع البكسل، بل يقوم بتوليد مظهر تقريبي بناءً على "الأنماط المرئية" لعدد كبير من المخططات الشريطية في مجموعة التدريب.

كيف يقضي أسلوب توليد الأكواد في PaperBanana على الهلوسة العددية

حل PaperBanana بسيط وجذري: بالنسبة للرسوم البيانية الإحصائية العلمية، لا يتم توليد صور، بل يتم توليد أكواد برمجية.

عندما يتلقى وكيل Visualizer في PaperBanana مهمة رسم بياني إحصائي، فإنه يحول وصف الرسم إلى كود Python Matplotlib قابل للتنفيذ. في هذا الكود، يتم تحديد ارتفاع كل عمود، وإحداثيات كل نقطة بيانات، ومقاييس كل محور بدقة من خلال حسابات رياضية – وليس عن طريق "تخمين" الشبكة العصبية.

يوفر هذا النهج القائم على الكود قيمة مضافة مهمة: القابلية للتعديل. ما تحصل عليه ليس صورة نقطية (Raster Image) لا يمكن تعديلها، بل كود Python واضح. يمكنك تعديل الألوان، الخطوط، التعليقات التوضيحية، ومواقع مفاتيح الرسم بحرية، بل وحتى إعادة التشغيل بعد تعديل البيانات الأساسية – وهذا مفيد بشكل خاص عند تلبية متطلبات التعديل خلال مرحلة مراجعة المجلات العلمية.

🎯 نصيحة تقنية: تعتمد قدرة توليد الأكواد في PaperBanana على نموذج لغة كبير. يمكنك أيضاً استدعاء نماذج مثل Nano Banana Pro مباشرة عبر APIYI (apiyi.com) لتوليد أكواد Matplotlib، حيث تدعم المنصة واجهات متوافقة مع OpenAI، وتكلفة كل استدعاء منخفضة للغاية.

توليد أكواد لـ 7 أنواع من الرسوم البيانية العلمية باستخدام Nano Banana Pro

أثبتت PaperBanana فعالية أسلوب توليد الأكواد في 240 حالة اختبار معيارية من ChartMimic، تغطي الأنواع الشائعة مثل المخططات الخطية، الشريطية، المبعثرة، والمخططات متعددة اللوحات. فيما يلي قوالب موجه (Prompt) وأمثلة أكواد لـ 7 أنواع من الرسوم البيانية العلمية.

النوع 1: المخطط الشريطي (Bar Chart)

يعد المخطط الشريطي أحد أكثر أنواع الرسوم استخداماً في الأوراق البحثية، ويستخدم لمقارنة نتائج التجارب تحت ظروف مختلفة.

import matplotlib.pyplot as plt
import numpy as np

# 实验数据
models = ['GPT-4o', 'Claude 4', 'Gemini 2', 'Llama 3', 'Qwen 3']
accuracy = [89.2, 91.5, 87.8, 83.4, 85.1]
colors = ['#3b82f6', '#10b981', '#f59e0b', '#ef4444', '#8b5cf6']

fig, ax = plt.subplots(figsize=(8, 5))
bars = ax.bar(models, accuracy, color=colors, width=0.6, edgecolor='white')

# 添加数值标签
for bar, val in zip(bars, accuracy):
    ax.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 0.5,
            f'{val}%', ha='center', va='bottom', fontsize=10, fontweight='bold')

ax.set_ylabel('Accuracy (%)', fontsize=12)
ax.set_title('Model Performance Comparison on MMLU Benchmark', fontsize=14)
ax.set_ylim(75, 95)
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)
plt.tight_layout()
plt.savefig('bar_chart.pdf', dpi=300, bbox_inches='tight')
plt.show()

النوع 2: المخطط الخطي (Line Chart)

يعرض المخطط الخطي الاتجاهات المتغيرة بمرور الوقت أو الظروف، وهو مناسب لمنحنيات التدريب وتجارب الاستئصال (Ablation studies).

import matplotlib.pyplot as plt
import numpy as np

epochs = np.arange(1, 21)
train_loss = 2.5 * np.exp(-0.15 * epochs) + 0.3 + np.random.normal(0, 0.02, 20)
val_loss = 2.5 * np.exp(-0.12 * epochs) + 0.45 + np.random.normal(0, 0.03, 20)

fig, ax = plt.subplots(figsize=(8, 5))
ax.plot(epochs, train_loss, 'o-', color='#3b82f6', label='Train Loss', linewidth=2, markersize=4)
ax.plot(epochs, val_loss, 's--', color='#ef4444', label='Val Loss', linewidth=2, markersize=4)

ax.set_xlabel('Epoch', fontsize=12)
ax.set_ylabel('Loss', fontsize=12)
ax.set_title('Training and Validation Loss Curves', fontsize=14)
ax.legend(fontsize=11, frameon=False)
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)
plt.tight_layout()
plt.savefig('line_chart.pdf', dpi=300, bbox_inches='tight')
plt.show()

النوع 3: المخطط المبعثر (Scatter Plot)

يستخدم المخطط المبعثر لعرض العلاقة الارتباطية بين متغيرين أو توزيع المجموعات (Clustering).

النوع 4: الخريطة الحرارية (Heatmap)

تعد الخريطة الحرارية مناسبة لعرض مصفوفة الارتباك (Confusion Matrix)، مصفوفة أوزان الانتباه، ومصفوفة معاملات الارتباط.

النوع 5: المخطط الراداري (Radar Chart)

يستخدم المخطط الراداري لمقارنة القدرات متعددة الأبعاد، وهو شائع في التقييم الشامل للنماذج.

النوع 6: المخطط الدائري/الحلقي (Pie/Donut Chart)

يعرض المخطط الدائري نسب التكوين، وهو مناسب لتحليل توزيع مجموعات البيانات وتخصيص الموارد.

النوع 7: المخطط المركب متعدد اللوحات (Multi-Panel)

يجمع المخطط متعدد اللوحات عدة رسوم فرعية في شكل واحد (Figure)، وهو الشكل الأكثر شيوعاً للرسوم المركبة في الأوراق البحثية.

💰 تحسين التكلفة: من خلال استدعاء نموذج لغة كبير عبر APIYI (apiyi.com) لتوليد أكواد Matplotlib، تكون تكلفة كل استدعاء أقل بكثير من توليد الصور. تكلفة توليد كود Matplotlib مكون من 50 سطراً تبلغ حوالي 0.01 دولار فقط، ويمكن تعديل الكود وتنفيذه بشكل متكرر دون الحاجة لإعادة استدعاء واجهة البرمجة. كما نوصي باستخدام الأداة عبر الإنترنت Image.apiyi.com للتحقق بسرعة من تأثيرات التصور.

البدء السريع مع الرسوم البيانية الإحصائية العلمية في Nano Banana Pro

مثال مبسط: استخدام الذكاء الاصطناعي لتوليد كود مخطط أعمدة دقيق

إليك أبسط طريقة لاستدعاء نموذج لغة كبير عبر واجهة برمجة التطبيقات (API)، للسماح للذكاء الاصطناعي بتوليد كود Matplotlib تلقائيًا بناءً على بياناتك:

import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://vip.apiyi.com/v1"  # استخدام واجهة APIYI الموحدة
)

response = client.chat.completions.create(
    model="gemini-2.5-flash",
    messages=[{
        "role": "user",
        "content": """Generate publication-ready Python Matplotlib code for a grouped bar chart.

Data:
- Models: ['Method A', 'Method B', 'Method C', 'Ours']
- BLEU Score: [32.1, 35.4, 33.8, 38.7]
- ROUGE-L: [41.2, 43.8, 42.1, 47.3]

Requirements:
- Grouped bars with distinct colors (blue and green)
- Value labels on top of each bar
- Clean academic style, no top/right spines
- Title: 'Translation Quality Comparison'
- Save as PDF at 300 dpi
- Figsize: (8, 5)"""
    }]
)
print(response.choices[0].message.content)

import openai
from typing import Dict, List, Optional

def generate_chart_code(
    chart_type: str,
    data: Dict,
    title: str,
    style: str = "academic",
    figsize: str = "(8, 5)",
    save_format: str = "pdf"
) -> str:
    """
    استخدام الذكاء الاصطناعي لتوليد كود Matplotlib للرسوم البيانية الإحصائية العلمية

    Args:
        chart_type: نوع المخطط - bar/line/scatter/heatmap/radar/pie/multi-panel
        data: قاموس البيانات، يحتوي على التسميات والقيم
        title: عنوان المخطط
        style: الأسلوب - academic/minimal/detailed
        figsize: حجم المخطط
        save_format: صيغة التصدير - pdf/png/svg

    Returns:
        كود Python Matplotlib قابل للتنفيذ
    """
    client = openai.OpenAI(
        api_key="YOUR_API_KEY",
        base_url="https://vip.apiyi.com/v1"  # واجهة APIYI الموحدة
    )

    style_guide = {
        "academic": "Clean academic style: no top/right spines, "
                    "serif fonts, 300 dpi, tight layout",
        "minimal": "Minimal style: grayscale-friendly, thin lines, "
                    "no grid, compact layout",
        "detailed": "Detailed style: with grid, annotations, "
                    "error bars where applicable"
    }

    prompt = f"""Generate publication-ready Python Matplotlib code.

Chart type: {chart_type}
Data: {data}
Title: {title}
Style: {style_guide.get(style, style_guide['academic'])}
Figure size: {figsize}
Export: Save as {save_format} at 300 dpi

Requirements:
- All data values must be mathematically precise
- Include proper axis labels and legend
- Use colorblind-friendly palette
- Code must be executable without modification
- Add value annotations where appropriate"""

    try:
        response = client.chat.completions.create(
            model="gemini-2.5-flash",
            messages=[{"role": "user", "content": prompt}],
            max_tokens=2000
        )
        return response.choices[0].message.content
    except Exception as e:
        return f"Error: {str(e)}"

# مثال على الاستخدام: توليد مخطط أعمدة لمقارنة أداء النماذج
code = generate_chart_code(
    chart_type="grouped_bar",
    data={
        "models": ["GPT-4o", "Claude 4", "Gemini 2", "Ours"],
        "accuracy": [89.2, 91.5, 87.8, 93.1],
        "f1_score": [87.5, 90.1, 86.3, 92.4]
    },
    title="Model Performance on SQuAD 2.0",
    style="academic"
)
print(code)

🚀 بداية سريعة: نوصي باستدعاء نماذج الذكاء الاصطناعي عبر منصة APIYI (apiyi.com) لتوليد كود الرسوم البيانية الإحصائية العلمية. تدعم المنصة نماذج متنوعة مثل Gemini وClaude وGPT، وكلها قادرة على توليد كود Matplotlib عالي الجودة. يمكنك التسجيل للحصول على رصيد مجاني وإتمام توليد كود أول مخطط إحصائي لك في غضون 5 دقائق.

توليد الكود مقابل توليد الصور: مقارنة جودة الرسوم البيانية الإحصائية العلمية

لماذا تخلت PaperBanana عن قدرات توليد الصور في Nano Banana Pro في سياق الرسوم البيانية العلمية، وانتقلت بدلاً من ذلك إلى توليد الكود؟ توضح البيانات المقارنة التالية كل شيء.

مشكلات أسلوب توليد الصور

عند استخدام Nano Banana Pro أو DALL-E 3 أو Midjourney لتوليد الرسوم البيانية الإحصائية العلمية مباشرة، يحاول النموذج "رسم" صورة تبدو كمخطط بياني باستخدام البكسلات. ورغم أن التأثير البصري قد يكون جيدًا، إلا أن المشكلات التالية لا مفر منها تقريبًا:

• عدم دقة القيم: لا يوجد ربط رياضي بين ارتفاع الأعمدة والبيانات الفعلية.
• غير قابل للتعديل: المخرجات هي صور نقطية (Raster)، ولا يمكن تعديل نقاط البيانات الفردية.
• غير قابل للتكرار: لا يمكن الحصول على نفس المخطط تمامًا عن طريق إعادة تنفيذ الكود.
• تسميات عرضة للخطأ: تسميات المحاور عرضة للأخطاء الإملائية أو الرقمية.

مميزات أسلوب توليد الكود

أسلوب توليد الكود في PaperBanana مختلف تمامًا:

• ربط رياضي: يتم حساب كل عنصر مرئي بدقة بناءً على القيم الموجودة في الكود.
• قابل للتعديل: تعديل سطر واحد من الكود يكفي لتحديث الألوان، التسميات، أو البيانات.
• قابل للتكرار: تنفيذ نفس الكود في أي بيئة يعطي نتائج متطابقة تمامًا.
• صديق للمراجعة: عندما يطلب المراجعون تعديل المخططات، يكفي فقط ضبط معاملات الكود.

🎯 نصيحة الاختيار: بالنسبة للرسوم البيانية الإحصائية العلمية التي تتطلب عرض قيم دقيقة (مخططات الأعمدة، الخطوط، التشتت، إلخ)، نوصي بشدة باستخدام أسلوب توليد الكود. أما إذا كان المخطط يركز على المفاهيم البصرية (مخططات المنهجية، الهندسة المعمارية)، فإن قدرات توليد الصور في Nano Banana Pro تكون أكثر ملاءمة. عبر منصة APIYI (apiyi.com)، يمكنك استدعاء نماذج توليد الصور وتوليد النصوص في آن واحد، والتبديل بينهما بمرونة.

تقنيات هندسة الموجهات (Prompt Engineering) للرسوم البيانية الإحصائية العلمية في Nano Banana Pro

يكمن سر جعل الذكاء الاصطناعي يولد أكواد Matplotlib عالية الجودة في مدى تنظيم الموجه (Prompt). إليك 5 تقنيات أساسية تم التحقق من فعاليتها.

التقنية 1: يجب تقديم البيانات بشكل صريح

لا تدع الذكاء الاصطناعي "يؤلف" البيانات أبداً. قدم قيم البيانات الكاملة بوضوح في الموجه، بما في ذلك التسميات والقيم والوحدات.

✅ صحيح: Data: models=['A','B','C'], accuracy=[89.2, 91.5, 87.8]
❌ خطأ: Generate a bar chart comparing three models

التقنية 2: تحديد قيود النمط الأكاديمي

تخضع الرسوم البيانية الأكاديمية لمتطلبات تنسيق صارمة. حدد القيود التالية في الموجه بوضوح:

• إزالة الإطارات العلوية واليمنى (spines['top'].set_visible(False))
• مستويات حجم الخط: العنوان 14pt، تسميات المحاور 12pt، علامات التدريج 10pt
• ألوان صديقة لعمى الألوان (تجنب الجمع بين الأحمر والأخضر)
• إخراج بصيغة PDF/EPS بدقة 300+ dpi

التقنية 3: طلب إضافة تسميات القيم

أضف تسميات قيم دقيقة فوق الأعمدة، مما يسمح للقارئ بقراءة البيانات دون الحاجة للرجوع إلى المحاور – وهذه أيضاً وسيلة مهمة للقضاء على "الغموض البصري".

التقنية 4: تحديد قابلية التنفيذ

اطلب بوضوح أن يكون الكود الناتج "قابلاً للتشغيل مباشرة دون أي تعديل". سيؤدي ذلك إلى دفع الذكاء الاصطناعي لتضمين جميع عبارات الاستيراد (import) اللازمة، وتعريفات البيانات، وأوامر الحفظ.

التقنية 5: توفير المرونة لتعديلات المراجعة العلمية

اطلب من الذكاء الاصطناعي وضع تعريفات البيانات ومعايير النمط بشكل منفصل في الجزء العلوي من الكود، لتسهيل التعديلات السريعة لاحقاً.

🎯 نصيحة عملية: اجمع التقنيات الخمس المذكورة أعلاه في قالب موجه (Prompt) قياسي خاص بك. استخدم APIYI (apiyi.com) لاستدعاء نماذج مختلفة وتكرار العملية للعثور على نمط الكود الأنسب لمجال بحثك. تدعم المنصة التبديل بين نماذج متعددة مثل Gemini و Claude و GPT، مما يسهل مقارنة نتائج التوليد.

الأسئلة الشائعة

الملخص

النقاط الجوهرية لأسلوب توليد كود الرسوم البيانية الإحصائية للبحث العلمي في Nano Banana Pro:

1. الكود أولاً قبل البكسل: يعتمد PaperBanana على توليد كود Matplotlib للرسوم البيانية الإحصائية بدلاً من رندرة الصور، مما يقضي جذرياً على الهلوسة الرقمية (Numerical Hallucination).
2. تغطية شاملة لـ 7 أنواع من الرسوم البيانية: المخططات العمودية، الخطية، المبعثرة، الخرائط الحرارية، الرادارية، الدائرية، والمخططات متعددة اللوحات، مما يلبي كافة احتياجات تصور البيانات في الأوراق البحثية.
3. قابل للتعديل وإعادة الإنتاج: مخرجات الكود تدعم التعديل الحر وإعادة الإنتاج الدقيق؛ فعند مراجعة الورقة البحثية، يكفي تعديل المعاملات (Parameters) بدلاً من إعادة التوليد من الصفر.
4. 5 تقنيات للموجهات (Prompts): البيانات الصريحة، القيود الأكاديمية، التسميات الرقمية، قابلية التنفيذ، وفصل المعاملات، لضمان جودة عالية للكود الناتج وقابليته للاستخدام.

أمام متطلبات الدقة الصارمة في الرسوم البيانية الإحصائية للبحوث، يبقى مبدأ "الكود هو الرسم البياني" هو المسار الوحيد الموثوق. من خلال الاستعانة بالذكاء الاصطناعي لتوليد كود Matplotlib، فإنك تجمع بين كفاءة الذاء الاصطناعي ودقة الكود البرمجي — وهو أفضل ما في العالمين.

نوصي بتجربة توليد كود الرسوم البيانية الإحصائية المدعوم بالذكاء الاصطناعي عبر منصة APIYI (apiyi.com)، حيث توفر المنصة رصيداً مجانياً وخيارات متعددة للنماذج. كما يمكنك استخدام الأداة عبر الإنترنت Image.apiyi.com لمعاينة النتائج.

📚 المصادر والمراجع

⚠️ تنبيه بشأن تنسيق الروابط: جميع الروابط الخارجية تستخدم تنسيق اسم المصدر: domain.com لتسهيل النسخ ولكنها غير قابلة للنقر المباشر، وذلك لتجنب فقدان قوة الـ SEO.

1. صفحة مشروع PaperBanana: الصفحة الرسمية للإطلاق، وتتضمن الورقة البحثية والعرض التوضيحي (Demo)

   • الرابط: dwzhu-pku.github.io/PaperBanana/
   • الوصف: للتعرف على المبادئ الجوهرية لتوليد كود الرسوم البيانية في PaperBanana وبيانات التقييم.

2. ورقة PaperBanana البحثية: النص الكامل للمسودة التمهيدية على arXiv

   • الرابط: arxiv.org/abs/2601.23265
   • الوصف: فهم متعمق للمفاضلة التقنية بين توليد الكود مقابل توليد الصور واختبار ChartMimic المرجعي.

3. وثائق Matplotlib الرسمية: مكتبة تصور البيانات بلغة بايثون

   • الرابط: matplotlib.org/stable/
   • الوصف: مرجع واجهة برمجة تطبيقات Matplotlib، لفهم وتعديل كود الرسوم البيانية الناتج عن الذكاء الاصطناعي.

4. وثائق Nano Banana Pro الرسمية: مقدمة عن نموذج Google DeepMind

   • الرابط: deepmind.google/models/gemini-image/pro/
   • الوصف: التعرف على قدرات Nano Banana Pro في توليد الصور ضمن سيناريوهات الرسوم التوضيحية للمنهجية العلمية.

5. أداة توليد الصور عبر الإنترنت من APIYI: معاينة الرسوم البيانية بدون كود

   • الرابط: Image.apiyi.com
   • الوصف: معاينة سريعة لنتائج الرسوم البيانية الإحصائية للبحث العلمي المولدة بواسطة الذكاء الاصطناعي.

المؤلف: فريق APIYI
التواصل التقني: نرحب بمشاركتكم لقوالب الموجهات (Prompts) الخاصة بالرسوم البيانية وتقنيات Matplotlib في قسم التعليقات. لمزيد من أخبار نماذج الذكاء الاصطناعي، يمكنكم زيارة المجتمع التقني لـ APIYI على apiyi.com.