Crystalis：基於漸進成核與語義退火的多視圖協調可視化生成框架
本研究提出Crystalis框架，利用大語言模型生成結構正確的協調多視圖可視化（CMV）。通過查詢中心建模，將CMV分解為依賴圖上的結構化查詢，並採用漸進成核與語義退火兩種機制，實現垂直一致性與水平一致性。在12項任務基準測試中達到75%的端到端成功率，遠超基線方法的8.3%。用户研究驗證了該分解與迭代優化工作流的可用性。
大語言模型（LLM）在生成單個圖表方面已展現出一定能力，但在生成協調多視圖可視化（CMV）——即多個視圖共享數據流並支持跨視圖交互——方面仍面臨重大挑戰。其根本原因在於，數據變換、視覺編碼與交互協調之間存在緊密的字段級耦合，一個組件的錯誤會無聲地導致其他組件失效。針對這一問題，來自研究團隊的最新論文提出了Crystalis框架，旨在從基礎層面回答：LLM能否可靠地生成結構正確的CMV？以及何種抽象能夠實現這一目標？
Crystalis的核心在於查詢中心的CMV建模方法。它將一個CMV分解為一系列結構化查詢，這些查詢構建於一個依賴圖之上，涵蓋三種組件類型（數據、可視化、交互）和三個抽象層次（需求、規範、可執行對象）。框架通過兩種互補機制運作：漸進成核機制沿着依賴順序，將每個查詢從需求垂直“結晶”為可執行對象；而語義退火機制則通過分層邏輯檢查，在每一層次上強制保證查詢之間的水平一致性。
在包含12項任務的基準測試中，Crystalis在5個前沿LLM上實現了高達75%的端到端成功率，大幅超越了使用相同基礎模型的智能體編碼基線（僅8.3%的成功率）。此外，一項由12名實踐者參與的用户研究證實了該分解與迭代優化工作流的可用性，表明Crystalis不僅理論上有效，而且在實際使用中也易於操作。
這項研究為利用LLM生成複雜的多視圖可視化鋪平了道路，其新穎的抽象和機制有望成為該領域的重要基礎。未來，研究團隊計劃進一步擴展Crystalis以支持更廣泛的可視化任務，並探索其在實時數據分析中的應用。該論文由Dazhen Deng等六位作者共同完成，於2026年6月7日提交至arXiv，編號為2607.24766，歸屬人工智能領域（cs.AI）。研究團隊從需求到可執行對象逐層細化，確保了生成的可視化在結構和語義上的正確性，為深度學習與可視化技術的融合提供了新的思路。