Adobe联合高校推出METAL框架：多智能体协作生成精准图表

文章来源：放心AI网发布时间：2025-04-18 13:00:19

在当今数据可视化领域，生成准确反映复杂数据的图表仍然是一项微妙的挑战。图表不仅需要捕捉精确的布局、色彩和文本位置，还需将这些视觉细节转化为代码，以重现预期的设计。然而，传统方法通常依赖于直接提示视觉 – 语言模型（VLM），如 GPT-4V，这在将复杂视觉元素转化为语法正确的 Python 代码时，常常遇到困难。即使是微小的差错也可能导致图表未能达到设计目标，这在金融分析、学术研究和教育报告等领域尤其重要。

为了解决这个问题，来自 UCLA（加利福尼亚大学洛杉矶分校）、UC Merced 和 Adobe 研究团队提出了一个新的框架，名为 METAL。该系统将图表生成任务分解为一系列由专门代理管理的集中步骤。

METAL 框架包括四个关键代理:生成代理、视觉评估代理、代码评估代理和修订代理。生成代理负责初步生成 Python 代码，视觉评估代理评估生成的图表与参考图的相符程度，代码评估代理审查生成的代码以捕捉任何语法或逻辑错误，最后修订代理根据评估反馈调整代码。

METAL 的模块化设计是其一大亮点。它通过将视觉解读和代码生成的任务分配给不同的代理，使每个代理可以专注于其特定功能。这种方法确保了图表的视觉和技术元素都得到充分考虑和调整，从而提高了生成图表的准确性和一致性。

在实验中，METAL 在 ChartMIMIC 数据集上进行了性能评估，结果显示其在文本清晰度、图表类型准确性、色彩一致性和布局精度等优于传统方法。与开源模型 LLAMA3.2-11B 和闭源模型 GPT-4O 的比较显示，METAL 生成的图表更接近参考图的准确性。

此外，研究还通过消融实验强调了视觉和代码评估机制分开的重要性。当这两个组件合并为一个评估代理时，性能往往下降，这表明专门化的评估方法对高质量图表生成至关重要。

METAL 通过将任务分解为专门的、迭代的步骤，提供了一种平衡的多代理方法。这种方法不仅促进了视觉设计向 Python 代码的精确转换，还为错误检测和修正提供了系统化的流程。随着计算资源的增加，METAL 的性能表现也呈现出接近线性的提升，这为其在精确要求较高的应用场景中提供了实用潜力。

上一篇: 科大讯飞刘庆峰两会提议：设立AI失业保险，打造就业友好型社会

据《南方都市报》报道，在即将召开的2025年全国两会上，科大讯飞董事长刘庆峰作为全国人大代表，提出了一系列关于人工智能（AI）与就业保障的建议。他呼吁要积极发展与 AI 相关的新岗位，并完善 AI 失业保障，以

下一篇: 百度文库、百度网盘AI创作新物种「自由画布」全量上线

3月3日，百度文库宣布其与百度网盘联合推出的AI创作工具“自由画布”正式全量上线。“自由画布”是百度文库和百度网盘首创的内容操作系统，通过大模型技术，打通了公域和私域内容的界限。用户可以通过“一拖一圈”的极