Crystalis：基於漸進成核與語義退火的多檢視協調視覺化生成框架
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檢視視覺化（CMV）。透過查詢中心建模，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%。使用者研究驗證了該分解與迭代最佳化工作流的可用性。
大語言模型（LLM）在生成單個圖表方面已展現出一定能力，但在生成協調多檢視視覺化（CMV）——即多個檢視共享資料流並支援跨檢視互動——方面仍面臨重大挑戰。其根本原因在於，資料變換、視覺編碼與互動協調之間存在緊密的欄位級耦合，一個元件的錯誤會無聲地導致其他元件失效。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，涵蓋三種元件型別（資料、視覺化、互動）和三個抽象層次（需求、規範、可執行物件）。框架透過兩種互補機制運作：漸進成核機制沿著依賴順序，將每個查詢從需求垂直“結晶”為可執行物件；而語義退火機制則透過分層邏輯檢查，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慧體編碼基線（僅8.3%的成功率）。此外，一項由12名實踐者參與的使用者研究證實了該分解與迭代最佳化工作流的可用性，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生成複雜的多檢視視覺化鋪平了道路，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充套件Crystalis以支援更廣泛的視覺化任務，並探索其在即時資料分析中的應用。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，歸屬人工智慧領域（cs.AI）。研究團隊從需求到可執行物件逐層細化，確保了生成的視覺化在結構和語義上的正確性，為深度學習與視覺化技術的融合提供了新的思路。