今天我们聚焦于科研绘图这一具体应用场景，对比当前主流的两个文生图 AI 工具——NanoBanana 与 GPT（特指支持图像生成的多模态版本），在绘制学术插图、Teaser 图（如期刊封面图）和学术海报（Poster）方面的实际能力与差异。
科研绘图通常包括三类典型用途：
- 论文插图：用于直观阐释研究方法、机制或核心结论；
- Teaser 图：即期刊封面图或个人主页展示用的摘要图，需兼顾科学性与视觉传达力；
- 学术海报（Poster）：面向组会、会议等场景，要求信息层级清晰、图文协调、风格专业。
本次测试基于一篇真实论文——《Why Do Language Models Hallucinate?》，该文未提供丰富插图，因此我们以“从零生成科研可视化内容”为任务目标，考察两类工具在理解论文逻辑、组织图示结构、选择配色与字体、以及准确表达关键公式与概念等方面的表现。
测试中重点关注以下维度：
- 语义准确性：是否准确反映论文提出的两阶段幻觉成因（预训练阶段的统计不可避免性，后训练阶段因奖励机制导致的过度自信）；
- 视觉一致性：多图之间在风格、配色、字体、图标系统上的统一程度；
- 文本渲染质量：公式（如“幻觉率 ≥ 2 × 分类错误率”）、术语、标题、图注等是否正确呈现；
- 布局与叙事逻辑：能否通过构图引导读者理解研究脉络（如从问题引入→机制分析→结论展望）；
- 风格适配能力：是否支持按 Nature/Science 等顶刊美学风格生成图像，并保持学术严谨感。
初步观察表明：
- NanoBanana 在图像风格一致性、多图联动控制方面具有一定优势，尤其适合需要批量生成同系列插图的场景；
- GPT 在文本理解深度、公式与术语的准确渲染、图示逻辑组织方面整体更优，尤其在生成含大量文字说明的 Poster 和 Teaser 图时表现更稳定；
- 两者均能响应“Nature/Science 风格”等提示词，但实际输出仍需人工校验与多次迭代优化；
- 当前所有工具均无法完全替代人工设计，其核心价值在于快速提供可编辑的初稿、激发设计思路、辅助完成重复性视觉工作。
值得注意的是，高质量科研绘图不仅依赖模型能力，更取决于提示词工程（Prompt Engineering）的质量。例如，明确要求“分上下两栏，上栏为预训练阶段，下栏为 RLHF 阶段；使用浅灰+浅蓝灰配色；标题居中加粗；箭头标注关键不等式关系”，将显著提升输出可用性。同时，积累优质参考图并引导模型模仿其构图与色调，也是提升结果专业度的有效路径。