Paper Banana：输入文字，直接生成论文级配图

不用打开 Photoshop 或 Illustrator，不用从空白画布开始。Paper Banana 把你的研究思路直接变成清晰的论文插图、方法流程图和科研示意图。专为学术场景设计，几分钟即可出图。

可编辑

示例：

直接输入论文内容或者输入绘图需求

3 Method
Large language models (LLMs) have recently demonstrated remarkable multimodal understanding capabilities when equipped with visual encoders and lightweight projection modules. Existing multimodal training paradigms, however, primarily optimize language modeling objectives, leaving the visual representations weakly constrained during training. Consequently, visual information may be partially discarded as it propagates through the language model layers.

To address this limitation, we propose Reconstructing Visual Tokens via Denoising (ROSS), a training framework that introduces an auxiliary visual reconstruction objective into standard multimodal LLM training. Rather than solely predicting textual outputs, the model is additionally required to preserve sufficient visual information for reconstructing image latent representations under a diffusion objective.

3.1 Visual Token Construction

Given an input image I, we first employ a pretrained SigLIP visual encoder to extract image features. Let f_I = E_siglip(I) denote the output feature sequence. A trainable projector H_phi maps these features into the language model embedding space: v = H_phi(f_I), where v in R^{N x D} represents a sequence of N visual tokens. For textual instructions, we utilize the tokenizer associated with the base language model to obtain text embeddings w in R^{(T-N) x D}. The visual and textual tokens are concatenated to form the final input sequence X = [v; w], which is subsequently processed by a shared LLM. Unlike prior approaches that only supervise textual outputs, ROSS explicitly supervises the visual prefix positions.

3.2 Teacher Latent Representation

To provide dense visual supervision, we introduce a frozen latent-space teacher derived from the KL-16 VAE used in diffusion models. For each image I, the teacher encoder produces clean latent tokens z_0 = E_VAE(I), where z_0 in R^{M x C}. Following the standard diffusion formulation, a timestep t ~ Uniform(1, T_d) is sampled, and Gaussian noise is injected: z_t = sqrt(alpha_bar_t) z_0 + sqrt(1 - alpha_bar_t) epsilon, with epsilon ~ N(0, I). The resulting noisy latent representation serves as the reconstruction target for the denoising branch. Importantly, both the KL-16 encoder and the noise schedule remain frozen during training.

3.3 Shared LLM Processing

The multimodal sequence X = [v; w] is fed into a transformer-based language model. Let h = LLM(X) denote the hidden states. The first N positions h_{1:N} correspond to visual outputs, while the remaining positions h_{N+1:T} correspond to textual outputs. Textual outputs participate in the standard autoregressive language modeling objective. Visual outputs are routed into a dedicated reconstruction branch.

3.4 Visual Reconstruction via Denoising

The key idea of ROSS is to force visual outputs generated by the language model to retain image information. To achieve this, we train a denoiser J_pi that predicts diffusion noise conditioned on noisy latent tokens z_t, diffusion timestep t, and visual hidden states h_{1:N}. Formally, epsilon_hat = J_pi(z_t, t, h_{1:N}). The denoiser is optimized using the standard diffusion objective: L_visual = E[||epsilon - epsilon_hat||^2]. By minimizing this objective, the model learns visual representations that are informative enough to reconstruct original image latents.

3.5 Language Modeling Objective

For text generation, we retain the conventional next-token prediction loss: L_text = -1/(T-N) sum_{i=N+1}^{T} log p(x_i | x_{<i}, v). This objective ensures that language generation performance remains comparable to existing multimodal LLM training pipelines.

3.6 Joint Optimization

The final training objective combines the language modeling loss and the visual reconstruction loss: L_ROSS = L_text + lambda L_visual, where lambda controls the balance between linguistic and visual supervision. In practice, we find that setting lambda = 1 provides stable optimization across multiple model scales.

3.7 Training Configuration

Unless otherwise specified, all experiments use a frozen SigLIP visual encoder, a frozen KL-16 VAE encoder, a decoder-free diffusion denoiser, and a Llama-family language model backbone. Trainable parameters include the projector H_phi, the shared LLM, and the denoiser J_pi, while the visual encoder, teacher tokenizer, and text tokenizer remain frozen.

提示词 (4378/15000)

风格化提示词

预制提示词（可修改）

模型

画幅

分辨率

格式

科研插图提示词示例

覆盖模型架构图、方法流程图、评估面板和论文风格复杂科研图等常见场景。

ROSS 视觉 Token 重建架构

点击提示词即可填入生成器。

JiT Denoiser 采样流程

点击提示词即可填入生成器。

Neural SDF 与医学分割架构

点击提示词即可填入生成器。

Latent Diffusion U-Net 架构

点击提示词即可填入生成器。

模型评估多面板图

点击提示词即可填入生成器。

Hybrid CNN-Transformer 检测网络

点击提示词即可填入生成器。

三步上手

Paper Banana 三步完成学术配图

描述研究内容、选模板或自定义、微调导出。最耗时的排版和风格问题，Paper Banana 帮你处理。

描述你的研究内容

写下主题、图表类型、风格偏好和关键标注。Paper Banana AI 能理解论文配图、流程图、概念图和教学图解等多种学术场景。

选模板或自定义描述

从模板库挑选适合的图表模板快速开始，或直接写自定义提示词。Paper Banana 自动处理布局和风格。

微调、导出、使用

调整提示词或换参考图重新生成，直到表达准确。导出后直接用于论文、海报、PPT 和基金申请。

为什么选 Paper Banana

为什么研究者选择 Paper Banana

Paper Banana 不是为了生成「好看」的图，而是生成「能说明白研究」的图。它理解学术场景对结构、标注和审美的要求。

学术级配图

用一句话或一段描述生成论文配图、科研配图、方法流程图、机制示意图和视觉摘要，专为学术发表场景优化。

清晰的结构与标注

Paper Banana 生成的科学图表优先保证层级清楚、标注可读、箭头明确，不追求「好看但看不懂」的风格。

参考图控制构图

上传草图、截图或现有图表来控制布局，Paper Banana 会保留你的设计意图并优化表达。

论文图片转可编辑 PPT/XML

把已有论文图片转换成可编辑的 PPT 或 XML 文件，轻松制作 SVG 架构图。后续可以直接修改文字、布局和图形元素，不用从头重画。

强大的模板库

提供丰富的论文配图模板，覆盖方法流程图、模型架构图、概念示意图等常见学术场景。选一个模板，填入内容即可快速出图。

直接可用，无需后期

生成的图不需要二次处理，直接用于论文投稿、会议演示、教学材料和基金申请。

几分钟快速迭代

一个想法到一张可用学术图只要几分钟。多试几种布局、风格和细节级别，找到最合适的一版。

用 Paper Banana 开始创作

适合谁用

从实验室到课堂，Paper Banana 都在用

当你需要的不是一张「好看的图」，而是一张能准确传递研究信息的学术图时，Paper Banana 就是最合适的工具。

科研人员与实验室

快速生成论文初稿、实验流程图和机制示意图，把时间省下来做研究而不是调排版。

论文配图初稿

实验与 protocol 图

跨项目统一视觉风格

生成科研配图

学生与教师

把抽象概念变成学生一眼能看懂的教学图解，或把课堂笔记转成规范的学术视觉素材。

课堂可用图解

笔记转视觉素材

概念图快速生成

制作教学素材

技术内容团队

为白皮书、技术文档和研究型落地页生成风格统一的学术配图。

白皮书与报告配图

技术流程图

可复用内容资产

制作技术图解

会议与基金申请

准备海报、项目摘要和 proposal 视觉素材，让评审委员快速抓住研究重点。

学术海报配图

基金申请示意图

组会汇报素材

准备学术素材

期刊与论文配图

为投稿论文生成机制图、流程图、对比图和 visual abstract，保持版式统一、标签清晰。

论文图版排布

机制与流程图

统一标签与构图

生成论文配图

用户评价

研究者用 Paper Banana 更快讲清楚研究

从博士生到课题负责人，Paper Banana 帮他们把复杂研究变成直观的视觉内容。

以前画一张流程图至少要一下午，Paper Banana 几分钟搞定，导师看了直接说可以放进论文。

Maya Collins

博士生

组会前用 Paper Banana 出图，讨论质量比以前对着文字讲高了很多。

Ethan Brooks

研究工程师

以前画一张流程图至少要一下午，Paper Banana 几分钟搞定，导师看了直接说可以放进论文。

Maya Collins

博士生

组会前用 Paper Banana 出图，讨论质量比以前对着文字讲高了很多。

Ethan Brooks

研究工程师

写基金申请的时候最怕评审看不懂机制。Paper Banana 帮我画清楚机制图，一张胜过三页文字。

Nora Patel

课题负责人

备课用 Paper Banana 画概念图，学生说比课本上的图好理解。改起来也快。

Leo Martinez

大学讲师

写基金申请的时候最怕评审看不懂机制。Paper Banana 帮我画清楚机制图，一张胜过三页文字。

Nora Patel

课题负责人

备课用 Paper Banana 画概念图，学生说比课本上的图好理解。改起来也快。

Leo Martinez

大学讲师

最满意的是迭代速度。在 PaperBanana 里换个模板或风格重新生成只要几十秒，试错成本几乎为零。

Grace Kim

科学视觉设计师

团队的白皮书和博客文章现在都用 Paper Banana 统一配图风格，品牌感强了很多。

Oliver Stone

技术营销

最满意的是迭代速度。在 PaperBanana 里换个模板或风格重新生成只要几十秒，试错成本几乎为零。

Grace Kim

科学视觉设计师

团队的白皮书和博客文章现在都用 Paper Banana 统一配图风格，品牌感强了很多。

Oliver Stone

技术营销

Paper Banana 的模板库帮我省了很多从零开始设计的时间。选一个模板微调一下就能用。

Ava Chen

课程制作人

先出一张图，再让学生围着图讨论，课堂互动比纯文字好太多了。

Noah Williams

STEM 教师

Paper Banana 的模板库帮我省了很多从零开始设计的时间。选一个模板微调一下就能用。

Ava Chen

课程制作人

先出一张图，再让学生围着图讨论，课堂互动比纯文字好太多了。

Noah Williams

STEM 教师

Paper Banana 定价方案

选择适合你的 Paper Banana 方案。从个人创作到实验室团队生产，积分制灵活扩展，按需付费。

限时优惠仅剩 45 个名额！

🎉 恭喜！你已解锁特别优惠价格

最高 5 折

优惠倒计时：

分钟

秒

毫秒

可随时取消

Hobby

$26.9$13.5/月

$162 按年计费

每年节省 $160.8

适合偶尔制作论文配图、课程图示和个人科研项目的用户。

7,200

积分/年

每 100 积分成本

$2.25

商用授权
Paper Banana 图片模型
学术配图模板
论文图片转可编辑 PPT/XML
私密生成
无水印
每月积分刷新
邮件支持

最受欢迎

Basic

$44.9$22.5/月

$270 按年计费

每年节省 $268.8

适合稳定产出论文配图、实验流程图和汇报视觉素材的团队。

15,600

积分/年

每 100 积分成本

$1.73

商用授权
全部 Paper Banana 图片模型
全部图表模板
优先处理
更高分辨率论文配图
批量生成
私密生成
参考图工作流
论文图片转可编辑 PPT/XML
每月积分刷新
优先支持
高级模式可用

Pro

$89.9$45/月

$540 按年计费

每年节省 $538.8

适合高频生成、多版本迭代的研究团队与实验室。

42,000

积分/年

每 100 积分成本

$1.29

商用授权
全部 Paper Banana 图片模型
全部图表模板
最快处理队列
团队级积分额度
批量生成科研图
私密生成
参考图工作流
论文图片转可编辑 PPT/XML
API 访问
优先支持

首发优惠进行中

年付方案可省最高 5 折

加入正在用 Paper Banana 做论文配图和科研图解的创作者•4.9/5.0 用户评分

LIVE146+本周已升级

无安装费
可随时取消

安全支付由以下方式支持

MastercardVisaAmerican ExpressApple PayGoogle PayJCBDiscover

?Paper Banana 订单遇到问题？

账单帮助

通常在一个工作日内回复

对 Paper Banana 有建议或反馈？请发送到 hi@paperbanana.dev

常见问题

Paper Banana 常见问题

使用 Paper Banana 生成论文配图和科研图解的常见疑问。

Paper Banana 是什么？

Paper Banana 是一款 AI 学术绘图工具。输入文字描述就能生成论文配图、实验流程图、科研示意图和视觉摘要。

Paper Banana 适合哪些人？

适合科研人员、研究生、大学教师、实验室团队，以及需要制作学术配图的技术内容创作者。

Paper Banana 能生成什么类型的图？

论文插图、方法流程图、模型架构图、概念示意图、实验 protocol 图、视觉摘要、教学图解。

PaperBanana 能生成用于期刊投稿的科研配图吗？

当然可以。PaperBanana 生成的图结构清晰、标注规范、风格专业，适合论文初稿、会议海报和期刊投稿。只需描述你的研究内容，选择合适的风格即可。

Paper Banana 和其他 AI 绘图工具有什么区别？

通用 AI 绘图工具擅长生成「好看」的图但不一定清晰；Paper Banana 专为学术场景设计，优先保证结构清晰、标注可读、风格符合学术规范。

生成的图可以直接用于论文投稿吗？

可以。Paper Banana 的输出适合论文初稿、会议海报、组会汇报和基金申请。正式提交前请根据实际研究内容核对文字和科学准确性。

怎么用 Paper Banana 快速制作论文配图？

只需三步：描述你的研究内容，选择模板或自定义提示词，Paper Banana AI 自动生成科学图表和论文配图。不满意可以换风格、加参考图重新生成，直到达到你的要求。

Paper Banana 有模板吗？

有。Paper Banana 提供丰富的学术图表模板库，覆盖方法流程图、模型架构图、概念示意图等常见类型，你可以基于模板快速开始，大大节省从零设计的时间。

可以修改或重新生成结果吗？

可以。调整提示词、更换参考图、换模板、改风格方向后重新生成，直到满意为止。

Paper Banana 怎么收费？

采用积分制，不同模型和分辨率消耗不同积分。一次性积分包永不过期，按需购买，不强制订阅。

还有问题？我们随时提供帮助。

开始用 Paper Banana 创作

把研究想法变成清晰的学术配图，几分钟搞定。不用学设计，不用从零开始。

免费使用 Paper Banana

Paper Banana：输入文字，直接生成论文级配图

科研插图提示词示例

ROSS 视觉 Token 重建架构

JiT Denoiser 采样流程

Neural SDF 与医学分割架构

Latent Diffusion U-Net 架构

模型评估多面板图

Hybrid CNN-Transformer 检测网络

Paper Banana 三步完成学术配图

描述你的研究内容

选模板或自定义描述

微调、导出、使用

为什么研究者选择 Paper Banana

学术级配图

清晰的结构与标注

参考图控制构图

论文图片转可编辑 PPT/XML

强大的模板库

直接可用，无需后期

几分钟快速迭代

从实验室到课堂，Paper Banana 都在用

科研人员与实验室

学生与教师

技术内容团队

会议与基金申请

期刊与论文配图

研究者用 Paper Banana 更快讲清楚研究

Paper Banana 定价方案

Hobby

Basic

Pro

年付方案可省 最高 5 折

Paper Banana 常见问题

Paper Banana 是什么？

Paper Banana 适合哪些人？

Paper Banana 能生成什么类型的图？

PaperBanana 能生成用于期刊投稿的科研配图吗？

Paper Banana 和其他 AI 绘图工具有什么区别？

生成的图可以直接用于论文投稿吗？

怎么用 Paper Banana 快速制作论文配图？

Paper Banana 有模板吗？

可以修改或重新生成结果吗？

Paper Banana 怎么收费？

开始用 Paper Banana 创作

年付方案可省最高 5 折