AI研究の進化は目覚ましく、今や大規模言語モデル（LLM）は論文のアブストラクトの執筆から実験の提案、さらにはコードの生成までを自律的にこなすようになりつつある。しかし、研究成果を視覚的に伝える「図表（ダイアグラム）」の作成は、依然として研究者にとって重い負担となってきた 。

複雑なネットワーク構造やメソッドのフローを分かりやすく、かつ学術誌の審美性にかなうレベルで描くには、Adobe IllustratorやTikZ、PowerPointといったツールを使いこなす専門的なスキルと、数時間から半日に及ぶ手作業が必要とされるためだ 。

この「研究ワークフローにおける最後の聖域」とも呼べる課題に対し、Google Cloud AI Researchと北京大学の研究チームは、画期的なマルチエージェント・フレームワーク「PaperBanana」を発表した 。

PaperBananaは、5つの専門AIエージェントが協調し、メソッドの説明文から出版品質の図表を自動生成するシステムだ。単なる画像生成にとどまらず、学術界の最新トレンドを反映したデザイン性の追求と、数値的な正確性を担保するコード生成を組み合わせた、極めて戦略的なアプローチが取られている。

AD

5つの専門エージェントが織りなす「自律的デザインスタジオ」

PaperBananaの核となるのは、人間のデザイナーの思考プロセスを模倣した5つの専門エージェントによる協調作業である 。システムは「線形計画フェーズ（Linear Planning Phase）」と「反復修正ループ（Iterative Refinement Loop）」の2段階で構成される 。

PaperBananaフレームワークは、5つの専門AIエージェントによる協調作業の結果、出版可能な図表を出力する。なお、この画像を含む論文内のグラフィックのほとんども、PaperBananaにより作成されたとのことだ。 (Credit: Google)

1. リトリーバー（Retriever Agent）

まず、入力されたメソッドの説明文とキャプションに基づき、膨大なリファレンス・データベースから最適な図表のサンプルを選び出す 。ここでは、トピックの類似性よりも、図の構造的論理（パイプラインか、アーキテクチャか、など）が優先される 。

2. プランナー（Planner Agent）

システムの「認知的コア」として機能し、メソッドのテキスト情報を詳細な視覚的青写真（テキスト記述）へと翻訳する 。

3. スタイリスト（Stylist Agent）

ここがPaperBananaの最もユニークな点の一つだ。スタイリストは、数百通りの学術論文を分析して抽出された「Aesthetic Guideline（審美性ガイドライン）」に基づき、配色、形状、フォント、アイコンのスタイルを最適化する 。これにより、AI特有の「安っぽい」図ではなく、トップレベルの会議（NeurIPSなど）に掲載されても違和感のない洗練された外観が保証される 。

4. ビジュアライザー（Visualizer Agent）

最適化された記述を受け取り、実際の画像をレンダリングする 。手法図の場合は「Nano-Banana-Pro」などの高度な画像生成モデルを使用し、数値精度が求められる統計プロットの場合はPythonのMatplotlibコードを生成して実行する 。

5. クリティック（Critic Agent）

生成された画像が元の説明文と矛盾していないか、視覚的な不備がないかを厳格に検査する 。不備が見つかればフィードバックを返し、ビジュアライザーに修正を指示する。この「生成と批判」のサイクルを3回繰り返すことで、最終的な品質を担保する仕組みだ 。

学術界の「現代美」を定義する：スタイリスト・エージェントの役割

PaperBananaが生成する図表が、従来のAI生成図と一線を画す理由は、学術界の「最新の美学」を学習している点にある 。研究チームは、NeurIPS 2025に提出された2,000本以上の論文から584の高品質なサンプルを抽出し、現在のAI研究におけるデザイン・トレンドを体系化した 。

「NeurIPS 2025ルック」の追求

かつての論文図表は、原色を多用した無機質なものが多かった。しかし、スタイリスト・エージェントが導き出した現代の基準は「ソフトテック＆サイエンティフィック・パステル」である 。

  • 配色: 背景には淡いブルー、クリーム、ミントなどの低彩度なパステルカラーを使用し、重要なアクティブ・モジュールにのみ中彩度の色を配置して視覚的な階層を作る 。
  • 形状: プロセスを示すノードには角の丸い長方形（角丸）を、データベースには円柱を使用するなど、形状による情報の分類が徹底されている 。
  • タイポグラフィ: ラベルにはサンセリフ体（ArialやRoboto）、数式変数にはセリフ体のイタリック（LaTeXスタイル）を使い分けることが「プロフェッショナル」の条件とされる 。

このような「コミュニティの不文律」をAIが自動で取り込み、適用できるようになった意味は大きい 。

AD

統計プロットにおける「正確性」と「美しさ」の二兎を追う

手法図以上に「嘘」が許されないのが、実験結果を示す統計プロット（グラフ）である 。一般的な画像生成AIでは、軸のラベルが文字化けしたり、データポイントの位置が微妙にズレたりする「数値的ハルシネーション」が頻発する 。

PaperBananaはこの課題に対し、図の種類によって生成手法を切り替えるハイブリッド戦略を採用した 。

  • コードベース生成: 密なデータや正確な数値比較が必要な場合、Pythonコードを生成してMatplotlibなどでグラフを描画する。これにより、100%の数値的忠実性が確保される 。
  • 画像ベース生成: 疎なデータやプレゼンテーション的な美しさが優先される場合、直接画像を生成する。これにより、よりリッチで直感的な視覚効果が得られる 。

研究の結果、コードベースの生成は特に「Faithfulness（忠実性）」において人間と同等のスコアを維持しつつ、デザイン面では人間を上回る評価を得ることに成功している 。

「PaperBananaBench」による検証と、驚異の75%勝率

研究チームは、PaperBananaの性能を評価するために専用のベンチマーク「PaperBananaBench」を構築した 。NeurIPS 2025の論文から厳選された292のテストケースを用い、「忠実性」「簡潔性」「可読性」「審美性」の4次元で評価を行った 。

特筆すべきは、ブラインド・テスト（どちらがAI生成か伏せた状態での人間による評価）の結果である。人間の専門家は、PaperBananaが生成した図表を、ベースラインとなる従来のAIモデルよりも「72.7%」の割合で高く評価した 。引き分けを含めると約93%のケースで、PaperBananaは既存手法と同等以上の品質を実現していることになる 。

PaperBananaにより最適化された図はベンチマークテストで大幅に高いスコアを獲得した。 (Credit: Google)

特に改善が顕著だったのは「Conciseness（簡潔性）」で、ベースライン比で37.2ポイントも向上した 。クリティック・エージェントが不要な説明や冗長な視覚要素を削ぎ落とすことで、論文に適した「洗練された図」になっていることがデータで証明された。

AD

既存の図を「整形」する：アドバンスド・アプリケーション

PaperBananaの能力は、ゼロからの生成だけにとどまらない。研究チームは、人間が作成した既存の図をスタイリッシュにアップグレードする応用例も示している 。

配色、タイポグラフィ、グラフィック要素などにおいて、スタイル面で大幅な改善を行ってくれる。 (Credit: Google)

研究者が自前で作った「野暮ったい」図を入力すると、スタイリスト・エージェントが改善案（配色の変更、フォントの統一、レイアウトの整理など）を提示し、ビジュアライザーがそれを反映して洗練された図に作り変える 。この機能は、デザインに自信のない研究者にとって、最も実用的なツールになる可能性がある 。

ビジネスモデルと将来の課題

PaperBananaはすでに、paperbanana.orgにおいて商用サービスとして展開を開始している。料金体系はクレジット制のサブスクリプションモデルを採用している。

プラン月額料金クレジット数ターゲット層
Basic$14.9010個人研究者、学生
Pro$29.9030積極的な論文投稿者
Premium$59.90100研究室ユニット
Enterprise$119.90250研究機関、R&D部門

1クレジットで図表1枚の生成が可能だ。PhD学生やポスドクが図表作成に費やす時間を時給換算すれば、極めて投資対効果の高い設定と言えるだろう。

残された課題

一方で、いくつかの限界も認められている。

  1. ラスタ形式の限界: 現在の出力は4K解像度の画像（PNG等）であり、編集可能なベクター形式（SVGやPDF）ではない 。学術出版では無限に拡大可能なベクター形式が好まれるため、今後の改善が待たれる 。
  2. 微細な接続エラー: 矢印が微妙にズレていたり、接続先が間違っていたりするケースが依然として存在する 。これは基盤となる視覚言語モデルの認識能力の限界に起因しており、さらなるモデルの進化が必要だ 。

科学コミュニケーションの民主化へ

PaperBananaの登場は、単なる「作図ツールの自動化」以上の意味を持つ。これまで、デザインスキルや高価なグラフィックソフトへのアクセスの有無によって、研究内容の伝わり方に格差が生じていた 。

Google Cloud AI Researchが提示したこのフレームワークは、世界中のあらゆる研究者が、自分のアイデアをプロフェッショナルな視覚言語で表現することを可能にする 。AIが論文を「書き」、図を「描く」時代の到来は、人間が「問い」を立て、論理を構築するという本質的な思考作業に集中できる環境を加速させるだろう 。

科学の進歩は、発見そのものと同じくらい、その発見が正しく、美しく伝わるかどうかにかかっている。PaperBananaはその架け橋となる、極めて強力な一歩である。

論文

  • arXiv:

参考文献