这项由GoogleCloud AI Research和加州大学圣芭芭拉分校的商榷团队共同完成的商榷于2025年10月发表在arXiv预印本劳动器上，论文编号为arXiv:2510.03194v1。商榷团队由陈子晨、陈杰峰、Sercan O. Ar?k、Misha Sra、Tomas Pfister和尹振晟等多位大家构成，他们诱惑了一个名为CoDA（Collaborative visualization Agents）的多智能体系统，玩忽自动将天然话语态状窜改为高质地的数据可视化图表。
想象你正在跟一又友态状一个复杂的数据分析需求："我想要一个能暴露不同地区销售趋势的图表，最好用折线图，还要凸起暴露峰值..."往往情况下，即使是教悔丰富的数据分析师也需要浪费大批时辰来意会需求、处理数据、编写代码，然后反复治愈武艺制作出闲散的图表。这个过程就像是一个东说念主既要当翻译官意会需求，又要当数据处理员计帐数据，还要当遐想师好意思化图表，终末还妥贴轮番员治理多样工夫问题。
张开剩余92%当今，Google的商榷团队想出了一个秘要的治理有筹商：既然一个东说念主很难同期胜任通盘脚色，为什么不组建一个专科团队呢？CoDA系统就像是组建了一个由多位大家构成的虚构职责室，每个成员都有我方的专科特长，他们彼此配合来完成通盘图表制作过程。
一、专科团队的明智单干
CoDA系统的核表情念不错比作一个专科的数据可视化职责室。当客户带着需求走进这个职责室时，会遭遇八位各有专长的大家。
领先是查询分析师（Query Analyzer），他就像职责室的神色司理。当你说出"我想要一个暴露销售趋势的图表"时，这位大家会仔细分析你的需求，制定出详备的职责蓄意。他会判断你究竟想要什么类型的图表，需要处理哪些数据，还会列出一个任务清单，确保团队的每个成员都知说念我方该作念什么。
接下来是数据处理大家（Data Processor），他负责查验和整理原始数据。就像厨师在烹调前要查验食材是否簇新、需要怎样清洗和切配一样，这位大家会分析数据的结构，发现潜在问题，并提议相应的处理有筹商。他能识别出哪些数据列是要道的，哪些需要极端的筹画或窜改。
然后是可视化映射大家（VizMapping Agent），他就像是翻译官，负责将抽象的数据需求窜改为具体的图表遐想有筹商。这位大家会决定用什么神态代表不同的数据类别，用什么体式的记号点，坐标轴应该怎样设立，以及合座的视觉立场应该是什么样的。
搜索助手（Search Agent）则像是典籍管束员，他会在弘大的代码库中寻找最好的编程示例和治理有筹商。当遭遇特殊的图表需求时，他能快速找到关联的工夫参考，为代码生成提供可靠的基础。
遐想探索大家（DesignExplorer）演出着艺术总监的脚色，专注于图表的好意思学遐想。他会研究色调搭配是否调和，字体大小是否合适，合座布局是否好意思不雅，以致会研究到色盲用户的需求，确保图表不仅准确何况好意思不雅易读。
代码生成器（Code Generator）是团队中的轮番员，负责将通盘的遐想有筹商窜改为可履行的Python代码。他会抽象前边诸位大家的建议，编写出既高效又表率的轮番代码。
调试大家（Debug Agent）就像是质地检测员，挑升负责发现和治理代码运行过程中的多样问题。现代码出现古怪时，他会分析问题原因，搜索治理有筹商，并成立代码直到玩忽正常运行。
终末是视觉评估师（Visual Evaluator），他充任着最终的质地把关者。他会从东说念主类的角度评估生成的图表是否达到了预期效果，是否准确传达了数据信息，是否具有邃密的视觉效果。淌若发现问题，他会提议具体的纠正建议，股东通盘团队进行进一步的优化。
二、互助机制的秘要遐想
这八位大家并不是各自寂寞职责的，而是通过一套精妙的互助机制精细配合。这种互助方式就像是一个高效的致力于队，每位队员不仅要跑好我方的那一棒，还要确保顺利地将致力于棒传递给下一位队员。
在CoDA系统中，有一个近似于神色看板的全局任务列表（Global TODO List），记载着通盘神色需要完成的通盘任务。每位大家在完成我方的职责后，会更新这个任务列表，告诉其他大家我方完成了什么，发现了什么问题，以及下一步需要在意什么。这种信息分享机制确保了通盘团队永恒朝着兼并个主义勉力。
更真理的是，CoDA系统还具备自我反念念和纠正的才略。当视觉评估师发现生成的图表质地不够联想时，他会将具体的问题反馈给关联的大家。比如，淌若神态搭配有问题，遐想探索大家会再行治愈配色有筹商；淌若数据处理有误，数据处理大家会再行查验和修正数据。这个过程不错重迭进行，直到达到闲散的结果。
这种反馈机制就像是一个学习型组织，团队成员通过不休的交流和治愈来栽植合座的职责质地。商榷团队设定了一个质地阈值，当图表的抽象评分达到85分以上时，系统就会罢手迭代优化，输出最驱逐果。这么既保证了质地，又幸免了过度优化酿成的资源浪费。
三、打破传统方法的工夫立异
传统的数据可视化自动化方法靠近着诸多挑战，就像是让一个东说念主同期演出多个脚色，往往家徒四壁。早期的基于规矩的系统天然镇静，但就像是按照固定食谱作念菜，只可应酬预设的情况，面对新颖的需求就无法可想。而浅易的谎话语模子方法天然活泼，但就像是让一个刚学会作念菜的生手独自准备一桌宴席，往往会在某个法子出现问题。
CoDA系统的立异之处在于弃取了元数据驱动的方法。什么是元数据呢？不错把它想象成数据的"养分标签"。就像食物包装上的养分标签告诉你这个食物含有些许热量、卵白质、脂肪等信息一样，数据的元数据告诉你这个数据集有些许行些许列、每列是什么类型的数据、数据的分散情况如多么等。
传统方法往往需要将完整的原始数据输入到系统中，这就像是把通盘雪柜里的食材都搬到厨房台面上，不仅占用大批空间，还容易酿成衰退。而CoDA系统只需要稽查数据的"养分标签"，就能作念出合适的处理决策。这种方法不仅松弛了筹画资源，还幸免了因数据量过大而导致的处理古怪。
另一个环节立异是多轮迭代优化机制。传统方法往往是"一次性"的，就像是拍照时按下快门就弗成重拍了。而CoDA系统更像是一个有教悔的影相师，会拍摄多张像片，然后弃取最好的一张，或者凭证第一张像片的效果治愈参数后再拍摄。
系统在生成驱动图表后，和会过视觉评估师的"专科目光"来判断图表质地。淌若发现问题，关联大家会凭证具体的反馈意见进行针对性的纠正。这个过程不错重迭进行最多三轮，每一轮都比前一轮愈加精准和完善。
四、令东说念主珍贵的实验服从
为了考证CoDA系统的效果，商榷团队进行了大批的对比实验。他们弃取了两个巨擘的数据可视化基准测试：MatplotBench和Qwen代码解释器基准测试。这些测试就像是模范化的磨真金不怕火，用来客不雅评估不同系统的才略。
实验结果令东说念主印象长远。在MatplotBench测试中，CoDA系统的合座弘扬比咫尺最好的竞争敌手栽植了24.5%。在Qwen测试中，这个栽植幅度以致达到了41.5%。这种进度的纠正在东说念主工智能界限是至极权臣的，就像是一个学生的磨真金不怕火收成从70分栽植到了85分以上。
更具体地说，商榷团队使用了三个要道筹商来评估系统性能：代码履行得胜率、可视化质地评分和抽象得分。代码履行得胜率意象的是生成的代码能否正常运行，CoDA系统在这方面达到了99%的得胜率，险些莫得语法古怪或运行时古怪。可视化质地评分则评估生成的图表是否准确反馈了用户需求，CoDA系统在这方面的弘扬也大幅越过了其他方法。
为了确保实验的平正性，通盘参与对比的系统都使用了相似的基础谎话语模子（Gemini-2.5-Pro）。这就像是让不同的厨师使用相似的食材和厨具来作念菜，最终比较的是烹调技巧而不是原料质地。
商榷团队还测试了CoDA系统在不同谎话语模子上的弘扬。结果暴露，无论使用哪种底层模子，CoDA系统都能保持镇静的上风。这阐发系统的遐想念念路是正确的，不依赖于特定的工夫结束。
五、深入的细节考证
为了更深入地意会CoDA系统各个组件的作用，商榷团队进行了详备的分解实验。这就像是汽车工程师要考证每个零部件对整车性能的孝敬一样。
领先，他们测试了迭代优化机制的效果。实验发现，经过一轮迭代后，系统性能就有显著栽植；经过三轮迭代后，性能达到最好水平；不息加多迭代轮数的收益就很有限了。这就像是反复修改一篇著述，前几次修改效果显著，但修改太屡次反而可能误打误撞。
接着，他们考证了全局任务列表的环节性。当移除这个组件后，系统的合座弘扬下落了4.4%。这评释了搭伙的神色管束关于多大家互助的环节性，就像是一个莫得率领的乐队很难演奏出调和的音乐。
搜索助手的作用也得到了考证。当系统无法搜索外部代码示例时，性能下落了3.5%。这阐发即使是东说念主工智能系统，也需要模仿已有的得胜教悔，就像是轮番员需要参考工夫文档和示例代码一样。
在服从方面，天然CoDA系统由于弃取了多大家互助机制，照实比浅易方法需要更多的筹画资源，但比较于取得的性能栽植，这个代价是值得的。何况，CoDA系统的服从本色上比同类的多智能体方法要更高，因为它幸免了好多无须要的重迭筹画。
六、简直场景的诓骗展示
商榷团队还测试了CoDA系统在更复杂的本色场景中的弘扬。他们使用了DA-Code基准测试，这是一个模拟简直软件诱惑环境的高难度测试。在这个测试中，系统需要处理包含多个代码文献的复杂神色，将数据可视化集成到更大的软件系统中。
这就像是从"制作沿途菜"升级到"准备一桌宴席"的挑战。不仅要保证每说念菜的质地，还要研究菜品之间的搭配、上菜法律解释、合座呈现效果等等。在这种高难度场景下，CoDA系统照旧弘扬出色，比最强的竞争敌手栽植了19.77%。
商榷团队还展示了几个具体的诓骗案例。在处理NBA篮球数据时，用户只需要态状"创建一个暴露1950年到2018年每年总得分的线图"，CoDA系统就能自动处理多个关联数据文献，进行必要的数据团员和计帐，最终身成准确的可视化结果。
在处理Steam游戏数据时，面对"筹画模范化平均游戏时辰和正面评价之间的皮尔逊关辩论数，并创建散点图"这么的复杂需求，CoDA系统玩忽正确意会统计学成见，进行相应的数据模范化处理，并生成顺应学术模范的统计图表。
最令东说念主印象长远的是处理东说念主口和预期寿命数据的案例。当用户条件创建一个"暴露不同大洲和国度东说念主口与预期寿命关联的旭日图"时，CoDA系统不仅正确意会了这种相对复杂的图表类型，还能凭证东说念主口数据笃定扇形区域大小，凭证预期寿命数据设立神态编码，创建出既准确又好意思不雅的可视化效果。
这些案例展示了CoDA系统处理复杂简直需求的才略。不同于实验室环境下的浅易测试，这些场景更接近本色职责中遭遇的挑战，需要系统具备强盛的意会才略、数据处理才略和代码生成才略。
七、工夫上风的深层旨趣
CoDA系统之是以玩忽取得如斯优异的弘扬，背后有着深层的工夫旨趣。传统的单一模子方法就像是一个东说念主试图同期处理多项复杂任务，往往会在某个法子出现瓶颈。而CoDA的多大家互助机制则充分理会了"术业有专攻"的上风。
在数据处理方面，CoDA系统弃取了轻量级的元数据分析方法。这就像是医师看病时，不需要给每个病东说念主都作念全套查验，而是凭证症情状状和基本查验结果就能作念出初步会诊。通过分析数据的结构、类型和统计特征，系统就能作念出合适的处理决策，既松弛了筹画资源，又幸免了数据隐讳问题。
在代码生成方面，CoDA系统集会了基于检索的方法和生成式方法的上风。搜索助手会从官方文档和得胜案例中寻找最好本质，然后代码生成器会基于这些参考来编写代码。这就像是一个有教悔的轮番员，既会参考工夫文档，又能凭证具体需求进行立异。
质地评估法子寥落值得热心。传统方法往往只可查验代码是否能运行，无法判断生成的图表是否简直欢乐用户需求。CoDA系统的视觉评估师玩忽从东说念主类的角度分析图表质地，不仅查验工夫正确性，还评估视觉效果、信息传达准确性等多个维度。
迭代优化机制是CoDA系统的另一大亮点。在第一次生成结果后，淌若质地不够联想，关联大家会凭证具体问题进行针对性纠正。比如，淌若神态搭配有问题，遐想探索大家会治愈配色有筹商；淌若数据处理有误，数据处理大家会再行分析数据。这个过程近似于专科遐想师的职责进程，通过多轮修改来追求完好。
八、将来发展的繁密远景
CoDA系统的得胜为数据可视化自动化开辟了新的发展主义。这种多大家互助的理念不仅适用于数据可视化，还不错推广到其他需要多种专科妙技的复杂任务中。
在本色诓骗方面，CoDA系统有望权臣裁减数据可视化的门槛。咫尺，制作高质地的数据图表需要掌持统计学学问、编程妙技和遐想好意思感，这往往需要多年的学习和本质。有了CoDA系统，浅近用户只需要用天然话语态状我方的需求，就能取得专科水准的可视化结果。
关于数据分析师和数据科学家来说，CoDA系统不错大大提高职责服从。他们不错把更多时辰用于深入分析数据，发现存价值的知悉，而不是浪费大批时辰在重迭性的图表制作职责上。
在西宾界限，CoDA系统也有巨大的诓骗后劲。学生和商榷东说念主员不错专注于学习数据分析的中枢成见和方法，而无须被复杂的工夫细节所困扰。这有助于裁减数据科学的学习门槛，培养更多的数据分析东说念主才。
天然，商榷团队也坦诚地指出了刻下系统的一些截至。多大家互助天然提高了结果质地，但也加多了筹画资本。将来的商榷主义包括优化系统服从，撑持更多类型的图表，以及推广到多模态输入等。
商榷团队还在探索怎样将CoDA的遐想理念诓骗到其他东说念主工智能任务中。多大家互助的念念路关于需要抽象多种才略的复杂任务都有潜在价值，比如自动化阐发生成、智能决策撑持等界限。
说到底，CoDA系统代表着东说念主工智能发展的一个环节趋势：从单一模子向互助系统的窜改。就像东说念主类社会中的单干合作创造了比个体勉力更大的价值一样，东说念主工智能系统也不错通过专科化单干和灵验互助来治理更复杂的问题。这项商榷为咱们展示了东说念主工智能互助的巨大后劲，也为将来更智能、更实用的东说念主工智能系统铺平了说念路。
关于浅近东说念主来说，CoDA系统的出现意味着数据可视化不再是专科东说念主士的专利。无论你是要制作职责陈说的图表，如故要分析个东说念主数据，都不错通过浅易的天然话语态状来取得专科水准的结果。这不仅松弛了时辰和元气心灵，更环节的是让更多东说念主玩忽享受到数据分析带来的知悉和乐趣。有兴味深入了解工夫细节的读者不错通过论文编号arXiv:2510.03194v1查询完整的商榷阐发。
Q&A
Q1：CoDA系统是什么，它和传统的图表制作方法有什么辞别？
A：CoDA是Google诱惑的智能数据可视化系统，它像组建了一个由8位大家构成的虚构职责室。传统方法需要东说念主工学习编程、统计和遐想学问武艺制作图表，而CoDA只需要用浅近语态状需求，系统就能自动生成专科水准的图表。它比传统方法的性能栽植了24.5%到41.5%。
Q2：CoDA系统生成的图表质地怎样，不错用于认真地点吗？
A：CoDA生成的图表质地达到了专科模范，在多项测试中都取得了90分以上的高分。系统不仅保证工夫准确性，还会研究神态搭配、字体大小、布局好意思不雅等遐想因素，以致护理到色盲用户的需求。生成的图表王人备不错用于职责陈说、学术商榷等认真地点。
Q3：浅近东说念主怎样使用CoDA系统制作数据图表？
A：咫尺CoDA如故商榷阶段的系统，浅近用户暂时无法径直使用。但凭证商榷服从，将来的使用方式会相当浅易：只需要准备好数据文献，然后用天然话语态状想要什么样的图表，比如"我想要一个暴露销售趋势的折线图"世博体育，系统就能自动处理数据并生成相应图表。
发布于：北京市