Создание 7 типов научно-исследовательских статистических графиков с помощью Nano Banana Pro: метод генерации кода полностью устраняет числовые галлюцинации

Примечание автора: Подробный разбор того, как PaperBanana создает научные графики через генерацию исполняемого кода Matplotlib, а не пиксельных изображений. Это позволяет полностью устранить проблему числовых галлюцинаций и охватывает 7 типов диаграмм, включая столбчатые диаграммы, линейные графики, диаграммы рассеяния и другие.

Статистические графики в научных статьях несут в себе ключевые выводы эксперимента: высота столбцов, тренды линий, распределение точек — каждое значение должно быть абсолютно точным. Однако, когда вы используете универсальные генераторы изображений вроде DALL-E или Midjourney для создания графиков, всегда возникает критическая проблема: числовые галлюцинации (Numerical Hallucination). Несоответствие высоты столбцов шкале, смещение точек данных, ошибки в подписях осей — такие графики «выглядят правильно, но содержат неверные данные». Если они попадут в статью, последствия могут быть фатальными.

В чем ценность: Прочитав эту статью, вы поймете, почему PaperBanana выбирает генерацию кода, а не изображений для создания научных графиков. Вы освоите методы генерации кода Matplotlib для 7 типов статистических диаграмм и узнаете, как с помощью Nano Banana Pro API от APIYI реализовать визуализацию академических данных с нулевым уровнем галлюцинаций при минимальных затратах.

Ключевые особенности научных графиков в Nano Banana Pro

Почему нельзя использовать генерацию изображений для научных графиков

Традиционные модели генерации изображений (вроде DALL-E 3 или Midjourney V7) имеют фундаментальный недостаток при создании научных графиков: они рендерят их как набор «пикселей», а не строят их на основе «данных». Это означает, что когда модель рисует гистограмму, она не высчитывает высоту столбца по значениям вроде [85, 72, 91, 68], а просто заполняет пиксели по визуальному шаблону «это похоже на график».

В итоге мы получаем числовые галлюцинации: высота столбцов не совпадает со шкалой Y, точки данных смещены, а подписи осей превращаются в абракадабру или содержат ошибки. В тестах PaperBanana при использовании обычных имидж-генераторов «числовые галлюцинации и дублирование элементов» стали самыми частыми ошибками точности.

PaperBanana использует принципиально иной подход: для статистических графиков агент Visualizer не задействует функции генерации изображений Nano Banana Pro, а пишет исполняемый код на Python (Matplotlib). Этот подход «сначала код» в корне устраняет проблему галлюцинаций, так как код связывает данные с визуальными элементами через точные математические вычисления.

Глубокий анализ проблемы численных галлюцинаций

Что такое численные галлюцинации в научных графиках

Численные галлюцинации — это феномен, при котором модели генерации изображений на базе ИИ создают статистические графики, где визуальные элементы не соответствуют реальным данным. Это проявляется следующим образом:

• Смещение высоты столбцов: высота столбцов в гистограмме не совпадает со значениями на оси Y.
• Дрейф точек данных: точки на диаграмме рассеяния отклоняются от верных координат (x, y).
• Ошибки шкалы: неравномерные интервалы на осях координат или неверная маркировка значений.
• Путаница в легенде: цвета в легенде не соответствуют реальным сериям данных.
• Искажение меток: опечатки в названиях осей или наложение текста друг на друга.

Коренная причина численных галлюцинаций

Цель обучения универсальных моделей генерации изображений — «создать визуально реалистичную картинку», а не «построить точный график на основе данных». Когда модель видит в промпте фразу «гистограмма, значения [85, 72, 91, 68]», она не выстраивает математическое соответствие между числом и высотой пикселя. Вместо этого она генерирует нечто похожее на график, опираясь на «визуальные паттерны» множества гистограмм из своего обучающего набора.

Как генерация кода в PaperBanana устраняет численные галлюцинации

Решение PaperBanana простое и радикальное: для научных графиков система генерирует не само изображение, а программный код.

Когда агент Visualizer в PaperBanana получает задачу по созданию графика, он преобразует описание в исполняемый код Python (Matplotlib). В этом коде высота каждого столбца, координаты каждой точки и деления каждой оси определяются точно с помощью математических вычислений, а не «угадываются» нейросетью.

Такой подход «сначала код» дает еще одно важное преимущество: возможность редактирования. Вы получаете не «мертвое» растровое изображение, которое невозможно поправить, а чистый Python-код. Вы можете свободно менять цвета, шрифты, аннотации, положение легенды или даже обновить сами данные и запустить код снова — это невероятно полезно, когда нужно внести правки после рецензирования статьи.

🎯 Технический совет: Возможности генерации кода в PaperBanana реализованы на базе больших языковых моделей. Вы также можете напрямую использовать модели вроде Nano Banana Pro через APIYI (apiyi.com) для генерации кода Matplotlib. Платформа поддерживает интерфейс, совместимый с OpenAI, а стоимость каждого вызова крайне мала.

Генерация кода для 7 типов научных графиков в Nano Banana Pro

PaperBanana подтвердила эффективность метода генерации кода на 240 тестовых примерах ChartMimic, охватывающих линейные графики, гистограммы, диаграммы рассеяния и многопанельные композиции. Ниже приведены шаблоны промптов и примеры кода для 7 основных типов научных графиков.

Тип 1: Гистограмма (Bar Chart)

Гистограммы — один из самых популярных типов графиков в статьях, используемый для сравнения результатов экспериментов в разных условиях.

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()

Тип 2: Линейный график (Line Chart)

Линейные графики показывают тренды во времени или при изменении условий, идеально подходят для кривых обучения и абляционных исследований.

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()

Тип 3: Диаграмма рассеяния (Scatter Plot)

Используется для демонстрации корреляции между двумя переменными или распределения кластеров.

Тип 4: Тепловая карта (Heatmap)

Подходит для визуализации матриц ошибок (confusion matrix), матриц весов внимания и коэффициентов корреляции.

Тип 5: Лепестковая диаграмма (Radar Chart)

Применяется для многомерного сравнения характеристик, часто встречается в комплексных оценках моделей.

Тип 6: Круговая/Кольцевая диаграмма (Pie/Donut Chart)

Показывает процентное соотношение, подходит для анализа распределения датасетов или ресурсов.

Тип 7: Многопанельный комбинированный график (Multi-Panel)

Объединяет несколько подграфиков в одну фигуру — самый распространенный формат сложных иллюстраций в научных работах.

💰 Оптимизация затрат: Генерация кода Matplotlib через большие языковые модели на APIYI (apiyi.com) обходится значительно дешевле, чем прямая генерация изображений. Создание скрипта Matplotlib на 50 строк стоит около $0.01, при этом код можно многократно править и запускать без повторных обращений к API. Также рекомендуем использовать онлайн-инструмент Image.apiyi.com для быстрой проверки результатов визуализации.

Быстрый старт: создание научных графиков в Nano Banana Pro

Простейший пример: генерация кода столбчатой диаграммы с помощью AI

Вот самый простой способ вызвать большую языковую модель через API, чтобы AI автоматически сгенерировал код Matplotlib на основе ваших данных:

import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://vip.apiyi.com/v1"  # Используем единый интерфейс APIYI
)

response = client.chat.completions.create(
    model="gemini-2.5-flash",
    messages=[{
        "role": "user",
        "content": """Сгенерируй готовый к публикации код Python Matplotlib для групповой столбчатой диаграммы.

Данные:
- Модели: ['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]

Требования:
- Группировка столбцов с четкими цветами (синий и зеленый)
- Подписи значений над каждым столбцом
- Чистый академический стиль, без верхних и правых границ осей
- Заголовок: 'Translation Quality Comparison'
- Сохранить в PDF с разрешением 300 dpi
- Размер фигуры: (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:
    """
    Использование AI для генерации кода Matplotlib для научных графиков

    Аргументы:
        chart_type: тип графика - bar/line/scatter/heatmap/radar/pie/multi-panel
        data: словарь с данными, содержащий метки и значения
        title: заголовок графика
        style: стиль - academic/minimal/detailed
        figsize: размер графика
        save_format: формат экспорта - pdf/png/svg

    Возвращает:
        Исполняемый код Python для Matplotlib
    """
    client = openai.OpenAI(
        api_key="YOUR_API_KEY",
        base_url="https://vip.apiyi.com/v1"  # Единый интерфейс APIYI
    )

    style_guide = {
        "academic": "Чистый академический стиль: без верхних/правых границ осей, "
                    "шрифты с засечками, 300 dpi, компактный макет",
        "minimal": "Минималистичный стиль: подходит для ч/б печати, тонкие линии, "
                    "без сетки, компактный макет",
        "detailed": "Детальный стиль: с сеткой, аннотациями, "
                    "планками погрешностей, где это применимо"
    }

    prompt = f"""Сгенерируй готовый к публикации код Python Matplotlib.

Тип графика: {chart_type}
Данные: {data}
Заголовок: {title}
Стиль: {style_guide.get(style, style_guide['academic'])}
Размер фигуры: {figsize}
Экспорт: Сохранить как {save_format} с разрешением 300 dpi

Требования:
- Все значения данных должны быть математически точными
- Включить правильные подписи осей и легенду
- Использовать палитру, подходящую для людей с цветовой слепотой
- Код должен быть исполняемым без правок
- Добавить аннотации значений там, где это уместно"""

    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"Ошибка: {str(e)}"

# Пример использования: генерация столбчатой диаграммы сравнения производительности моделей
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)

🚀 Быстрый старт: Рекомендуем использовать платформу APIYI (apiyi.com) для вызова моделей AI и генерации кода научных графиков. Платформа поддерживает Gemini, Claude, GPT и другие модели, которые отлично справляются с написанием качественного кода для Matplotlib. После регистрации вы получите бесплатные лимиты, и уже через 5 минут у вас будет готовый код для вашего первого графика.

Генерация кода vs Генерация изображений: битва за качество научных графиков

Почему PaperBanana в задачах с научными графиками отказалась от прямой генерации изображений в Nano Banana Pro в пользу генерации кода? Эти сравнительные данные объясняют всё.

Проблемы прямой генерации изображений

Когда вы используете Nano Banana Pro, DALL-E 3 или Midjourney для прямого создания научного графика, модель пытается «нарисовать» пикселями картинку, которая выглядит как график. Визуально это может быть красиво, но неизбежны следующие проблемы:

• Неточные значения: Высота столбцов никак не связана математически с реальными данными.
• Невозможность редактирования: На выходе вы получаете растровое изображение, в котором нельзя изменить ни одну точку.
• Плохая воспроизводимость: Нельзя перезапустить процесс и получить точно такой же график.
• Ошибки в подписях: В названиях осей часто встречаются опечатки или неверные цифры.

Преимущества генерации кода

Подход PaperBanana с генерацией кода работает иначе:

• Математическая привязка: Каждый визуальный элемент точно рассчитывается на основе значений в коде.
• Легкость правок: Достаточно изменить одну строку кода, чтобы обновить цвета, подписи или сами данные.
• Полная воспроизводимость: Один и тот же код в любой среде выдаст идентичный результат.
• Удобство для рецензирования: Если рецензент просит подправить график, вам нужно лишь подкрутить параметры в коде.

🎯 Совет по выбору: Если вам нужно отобразить точные научные данные (столбчатые диаграммы, графики функций, диаграммы рассеяния), настоятельно рекомендуем использовать генерацию кода. Если же ваш график носит концептуальный характер (схема методологии, архитектура системы), то возможности Nano Banana Pro по генерации изображений подойдут лучше. Через платформу APIYI (apiyi.com) вы можете вызывать как модели генерации изображений, так и текстовые модели, гибко переключаясь между ними.

Nano Banana Pro: Промпт-инжиниринг для научных графиков

Ключ к получению качественного кода Matplotlib от ИИ — в структурированности вашего промпта. Вот 5 проверенных техник, которые помогут вам добиться идеального результата.

Техника 1: Данные должны быть заданы явно

Никогда не позволяйте ИИ «выдумывать» данные. Четко прописывайте в промпте полные значения: метки, числа и единицы измерения.

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

Техника 2: Указывайте академические ограничения

К научным графикам предъявляются строгие требования по оформлению. Обязательно пропишите в промпте следующие условия:

• Убрать верхнюю и правую границы (spines['top'].set_visible(False))
• Иерархия шрифтов: заголовок — 14pt, подписи осей — 12pt, деления — 10pt
• Цветовая палитра, дружелюбная к людям с особенностями цветовосприятия (избегайте сочетания красного и зеленого)
• Экспорт в форматы PDF/EPS с разрешением 300+ DPI

Техника 3: Требуйте числовые метки

Попросите ИИ добавить точные значения над столбцами или точками графика. Это позволит читателю сразу видеть данные, не сверяясь с осями координат, и устранит любую «визуальную неопределенность».

Техника 4: Делайте упор на исполняемость

Явно требуйте, чтобы сгенерированный код «работал сразу без каких-либо правок». Это заставит ИИ включить все необходимые импорты библиотек, определения данных и команды для сохранения файла.

Техника 5: Оставляйте гибкость для правок рецензентов

Попросите ИИ вынести определения данных и параметры стиля в начало кода. Так вам будет гораздо проще и быстрее внести изменения, если этого потребует рецензент.

🎯 Практический совет: Объедините эти 5 техник в свой стандартный шаблон промпта. Используйте платформу APIYI (apiyi.com) для тестирования разных моделей (Gemini, Claude, GPT), чтобы найти тот стиль кода, который лучше всего подходит для вашей области исследований.

Часто задаваемые вопросы

Итоги

Основные моменты метода генерации кода для научных статистических графиков в Nano Banana Pro:

1. Код важнее пикселей: PaperBanana использует генерацию кода Matplotlib вместо прямого рендеринга изображений, что в корне устраняет проблему «галлюцинаций» в числовых данных.
2. Полный охват 7 типов графиков: Столбчатые диаграммы, линейные графики, диаграммы рассеяния, тепловые карты, лепестковые диаграммы, круговые диаграммы и многопанельные графики — всё, что нужно для визуализации данных в научной статье.
3. Редактируемость и воспроизводимость: Вывод в виде кода позволяет свободно вносить правки и точно воспроизводить результат. Если рецензент попросит изменений, достаточно подправить параметры, а не перегенерировать всё с нуля.
4. 5 приемов составления промптов: Явные данные, академические ограничения, числовые метки, исполняемость и разделение параметров — эти правила гарантируют получение качественного и рабочего кода.

Когда речь идет о точности научных графиков, подход «код как график» — единственный надежный путь. Используя ИИ для генерации кода Matplotlib, вы получаете и скорость нейросетей, и точность программного кода — лучшее из двух миров.

Рекомендуем попробовать генерацию кода для научных графиков через APIYI (apiyi.com). Платформа предоставляет бесплатные лимиты и выбор из нескольких моделей. Также можно использовать онлайн-инструмент Image.apiyi.com для быстрого просмотра результатов.

📚 Справочные материалы

⚠️ Примечание по формату ссылок: Все внешние ссылки указаны в формате Название: domain.com. Их удобно копировать, но они не являются кликабельными для сохранения SEO-структуры.

1. Главная страница проекта PaperBanana: Официальная страница с описанием и демо.

   • Ссылка: dwzhu-pku.github.io/PaperBanana/
   • Описание: Узнайте больше о принципах генерации кода и результатах тестирования PaperBanana.

2. Статья PaperBanana: Полный текст препринта на arXiv.

   • Ссылка: arxiv.org/abs/2601.23265
   • Описание: Глубокое погружение в технический выбор между генерацией кода и изображений, а также бенчмарк ChartMimic.

3. Официальная документация Matplotlib: Библиотека визуализации данных для Python.

   • Ссылка: matplotlib.org/stable/
   • Описание: Справочник по API Matplotlib для понимания и модификации сгенерированного ИИ кода.

4. Официальная документация Nano Banana Pro: Описание модели от Google DeepMind.

   • Ссылка: deepmind.google/models/gemini-image/pro/
   • Описание: Информация о возможностях Nano Banana Pro по генерации изображений для методологических схем.

5. Онлайн-инструмент для создания изображений APIYI: Предварительный просмотр графиков без написания кода.

   • Ссылка: Image.apiyi.com
   • Описание: Быстрый просмотр того, как ИИ справляется с созданием научных графиков.

Автор: APIYI Team
Техническое обсуждение: Делитесь своими шаблонами промптов для графиков и трюками в Matplotlib в комментариях. Больше новостей об ИИ-моделях — в техническом сообществе APIYI (apiyi.com).