paper banana

PaperBanana는 연구에서 가장 고질적인 병목 하나, 바로 그림 만들기를 자동화하려고 Google Cloud AI Research와 베이징대가 개발한 멀티 에이전트 시스템이다. 논문을 쓰는 것만 해도 충분히 어렵다. 심사자가 트집 잡지 않을 깔끔한 아키텍처 다이어그램이나 그래프를 그리는 데 하루가 더 사라질 수 있다. 그리는 일을 기계에 돌려주는 연구 그림 도구다.

이 프레임워크는 작업을 협력하는 다섯 에이전트로 나눈다. Retriever는 참조 라이브러리에서 비슷한 예를 뽑고, Planner는 방법 텍스트를 읽고 상세한 작도 명세를 쓴다. Stylist는 학술 미학 규칙을 적용하고, Visualizer는 이미지나 코드를 렌더링하며, Critic은 결과를 원문과 대조해 다시 한 번 패스로 돌려보낸다. 이 루프가 핵심이다. 단일 이미지 모델은 그럴듯한 무언가를 렌더링한다. PaperBanana는 그 무언가가 실제로 맞는지 확인한다.

가장 큰 한계는 먼저 짚을 만하다. 노드가 많은 고밀도 다이어그램에서는 확산 기반 렌더링이 텍스트를 왜곡하거나 연결선을 잘못 놓을 수 있고, 픽셀 단위 정밀도가 필요한 데이터 그래프도 이미지로만 생성하면 오류가 끼기 쉽다. 이상적이지는 않다. 팀의 답은 그래프를 위한 코드 기반 경로이고, 그림에 실제 수치가 들어간다면 이 점이 중요하다. 프로젝트는 연구 논문으로 시작했고, 이후 커뮤니티 구현이 Claude Code와 Cursor 같은 도구를 위한 CLI, Python API, MCP 서버 접근을 더했다.

시작하기

1. 프로젝트 페이지를 열고 저장소를 복제한 뒤 pip install -r requirements.txt로 의존성을 설치한다.
2. 선택한 공급자의 API 키를 모델 설정 파일에 넣는다. 커뮤니티 빌드는 OpenAI, Azure OpenAI 또는 Foundry, Google Gemini, Atlas Cloud를 지원한다.
3. 두 가지 입력을 준비한다. 출처 맥락(논문의 방법 섹션)과 전달 의도(원하는 그림 캡션)다.
4. 선택적으로 공개된 (방법 텍스트, 캡션, 그림) 삼중항 참조 세트를 불러온다. 함께 제공되는 PaperBananaBench에는 NeurIPS 2025의 참조 사례 292건이 들어 있다.
5. 생성을 실행하고 가장 좋은 결과를 고른다. 저자는 생성 후 선택 워크플로를 권한다. 후보를 세에서 다섯 개 만들고 논문 스타일에 맞는 것을 고른다.