Trong khi các nhà khoa học AI có thể dễ dàng xử lý hàng tá thuật toán phức tạp hay viết hàng ngàn dòng code, việc tạo ra các hình minh họa đạt chuẩn xuất bản (publication-ready) vẫn luôn là một “nút thắt cổ chai” tốn kém thời gian. Để giải quyết vấn đề này, Google AI phối hợp cùng Đại học Bắc Kinh vừa giới thiệu PaperBanana – một framework agentic (hệ thống đại lý AI) mang tính đột phá, giúp tự động hóa hoàn toàn quy trình vẽ sơ đồ phương pháp và biểu đồ thống kê.

PaperBanana Là Gì?

PaperBanana là một hệ thống đa đại lý (multi-agent system) được thiết kế để chuyển đổi văn bản kỹ thuật thô thành các hình ảnh trực quan chuyên nghiệp. Thay vì dựa vào một câu lệnh (prompt) duy nhất như các mô hình tạo ảnh thông thường, PaperBanana điều phối một đội ngũ gồm 5 AI Agent chuyên biệt làm việc cộng tác với nhau.

Mục tiêu của framework này là tạo ra các hình ảnh đạt chuẩn thẩm mỹ cao, tương đương với chất lượng của các bài báo tại hội nghị NeurIPS, đồng thời đảm bảo tính chính xác tuyệt đối về mặt dữ liệu.

Kiến Trúc 5 Agent Độc Đáo Của PaperBanana

Sức mạnh của PaperBanana nằm ở quy trình làm việc chặt chẽ, mô phỏng lại cách con người thiết kế:

1. Retriever Agent (Đại lý Tìm kiếm): Tìm kiếm 10 ví dụ tham khảo phù hợp nhất từ cơ sở dữ liệu để định hình phong cách và cấu trúc.
2. Planner Agent (Đại lý Lập kế hoạch): Dịch các văn bản mô tả phương pháp luận phức tạp thành một bản mô tả chi tiết về hình ảnh mục tiêu.
3. Stylist Agent (Đại lý Thẩm mỹ): Đóng vai trò như một tư vấn viên thiết kế, đảm bảo đầu ra tuân thủ “Giao diện NeurIPS” (NeurIPS Look) với các bảng màu và bố cục cụ thể (ưu tiên tông màu pastel công nghệ nhẹ nhàng thay vì màu cơ bản gay gắt).
4. Visualizer Agent (Đại lý Trực quan hóa): Đây là “nghệ sĩ” chính, thực hiện việc vẽ dựa trên mô tả.
   • Đối với sơ đồ (Diagrams): Sử dụng các mô hình tạo ảnh như Nano-Banana-Pro.
   • Đối với biểu đồ thống kê (Statistical Plots): Viết code Python (Matplotlib) có thể thực thi được.
5. Critic Agent (Đại lý Phê bình): Kiểm tra hình ảnh được tạo ra so với văn bản gốc để tìm lỗi sai thực tế hoặc lỗi hiển thị. Nó cung cấp phản hồi để thực hiện 3 vòng tinh chỉnh (refinement loops) nhằm đạt kết quả tốt nhất.

Điểm Khác Biệt: Xử Lý Biểu Đồ Thống Kê Bằng Code

Một trong những điểm yếu lớn nhất của các mô hình AI tạo ảnh hiện nay là “ảo giác số liệu” (numerical hallucinations) – vẽ biểu đồ đẹp nhưng sai số liệu.

PaperBanana giải quyết triệt để vấn đề này bằng cách tiếp cận lai (hybrid approach). Khi phát hiện yêu cầu là biểu đồ thống kê, thay vì vẽ bằng pixel, hệ thống sẽ chuyển sang viết code Matplotlib. Điều này đảm bảo:

• Độ chính xác dữ liệu 100%: Không có chuyện cột dữ liệu bị vẽ sai lệch.
• Khả năng xử lý dữ liệu phức tạp: Xử lý tốt các tập dữ liệu dày đặc mà mô hình tạo ảnh thường thất bại.

Hiệu Suất Vượt Trội Trên Benchmark NeurIPS 2025

Nhóm nghiên cứu đã giới thiệu bộ dữ liệu PaperBananaBench, bao gồm 292 trường hợp thử nghiệm từ các bài báo NeurIPS 2025 thực tế. Kết quả so sánh cho thấy PaperBanana vượt xa các phương pháp cơ bản (baselines):

• Điểm tổng thể (Overall Score): Tăng 17.0%.
• Sự súc tích (Conciseness): Tăng 37.2%.
• Khả năng đọc hiểu (Readability): Tăng 12.9%.

Đặc biệt, hệ thống cực kỳ xuất sắc trong việc tạo ra các sơ đồ thuộc loại “Agent & Reasoning” (Đại lý & Suy luận) với điểm số đạt 69.9%, nhờ khả năng sử dụng các vector robot 2D, avatar và giao diện người dùng thân thiện.

Kết Luận

Sự ra đời của PaperBanana đánh dấu một bước tiến quan trọng trong việc ứng dụng AI vào hỗ trợ nghiên cứu khoa học. Bằng cách tự động hóa các tác vụ trực quan hóa tốn kém thời gian nhưng đòi hỏi độ chính xác cao, Google AI đang giúp các nhà nghiên cứu tập trung hơn vào cốt lõi của khoa học: sự sáng tạo và khám phá.

---

Nguồn tham khảo: MarkTechPost (07/02/2026), Google AI & Peking University Research.