大家好，我是 Ai 学习的老章

看论文时，经常看到漂亮的图表，很多不知道是用什么工具绘制的，或者很想复刻类似图表。

实测，大模型 LaTeX 公式识别，出乎预料

前文，我用 Kimi、Qwen-3-235B-A22B、Claude-3.7-sonnet、GPT-4.1、Gemini 2.5 Pro 测试了其在 LaTeX 公式识别中的表现。

本文就测试一下他们在图表识别、复刻中的表现，看看谁更擅长干这件事

备注：Kimi 开启了长思考，Qwen3 未开启深度思考，因为开启之后巨慢且失败

省流：Gemini 2.5 Pro 是最强大的代码模型，毫无争议

排名：Gemini 2.5 Pro > Claude 3.7 Sonnet > Kimi = Qwen3 > GPT-4.1

第一题

来源：https://www.biorxiv.org/content/10.1101/2024.04.02.587723v1.full.pdf

Kimi

有点弱智，绘制了傻瓜箱线图，图像理解有问题

Qwen-3-235B-A22B

也很傻瓜，与 kimi 半斤八两

Claude-3.7-sonnet

好一点点，绘制了半小提琴图 (half-violin plot) 结合箱线图 (box plot)

后续我又试了一下

如果明确告诉它用 R 绘制，Claude-3.7 结果如下，还不错！

GPT-4.1

失败，生成的代码满满得 bug，无法生成图表

Gemini 2.5 Pro

震惊了

它识别出这是雨云图 (raincloudplot)，结合了以下 3 图表的元素：

散点图 (Scatter/Strip plot):显示每 1.个单独的数据点 (图中的绿色和蓝色小点)

箱形图 (Box plot):显示数据的分布摘要 (中位数、四分位数、均值和标准差范围)

小提琴图 (Violin plot) 或 核密度估计图 (KDE plot):显示数据分布的平滑曲线 (图中数据点左侧的曲线)

代码放文末了，大家欣赏一下

第二题

上难度，一次性复刻、输出 4 张图表

来源：《Benchmarking Supervised Machine Learning Models for the Classification of Primary Graft Dysfunction》

Kimi

看了下，其样例数据很简单，第四幅图没有完美复刻

Qwen-3-235B-A22B

没理解意思，且只生成了一张，出现 bug

没想到它居然还不如 kimi。。。

Claude-3.7-sonnet第四幅图没有绘制成功，报错是颜色问题

让其修复颜色问题后，输出如下，第四幅图没有依然没有完美复刻

GPT-4.1

绘制失败，换了 GPT-4o 依然失败

Gemini 2.5 Pro

第四张绘制失败

第三题

换个简单点的

省点事儿，直接让大模型用 R 复刻

用 R _复刻_了一张图，附代码

Obsidian 2025-05-14 09.49.07.png

Kimi

复刻失败

Qwen-3-235B-A22B

还行，有点丑

Claude-3.7-sonnet

“径向条形图”或“放射状条形图”（Radial Bar Chart）

GPT-4.1

复刻失败

Gemini 2.5 Pro

接近完美复刻

Gemini-2.5-Pro 绘制的云雨图代码

    
    
    
  import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
import numpy as np

# 1. 生成模拟数据
# 根据图片估算 R 和 rho 的数据特征
np.random.seed(0) # 为了结果可复现

# R 的数据
r_mean = 0.78
r_std = 0.02 # 根据 1 SD 范围 (0.76-0.80) 估算
r_data = np.random.normal(loc=r_mean, scale=r_std, size=100)
# 限制数据在图中大致范围内
r_data = np.clip(r_data, 0.72, 0.82)


# rho 的数据
rho_mean = 0.77
rho_std = 0.02 # 根据 1 SD 范围 (0.75-0.79) 估算
rho_data = np.random.normal(loc=rho_mean, scale=rho_std, size=100)
# 限制数据在图中大致范围内
rho_data = np.clip(rho_data, 0.70, 0.81)


# 将数据整合到 Pandas DataFrame 中，方便 seaborn 处理
df_r = pd.DataFrame({'value': r_data, 'category': 'R'})
df_rho = pd.DataFrame({'value': rho_data, 'category': 'ρ'})
df_combined = pd.concat([df_r, df_rho])

# 2. 绘制图表
fig, ax = plt.subplots(figsize=(8, 6))

# 使用 seaborn 绘制
# 为了实现雨云图的效果，我们会组合 stripplot, boxplot, 和 violinplot (只显示一半)

# 定义颜色
colors = {"R": "green", "ρ": "blue"}

# 绘制 R
# 散点 (左移一点，给箱线图和 KDE 留空间)
sns.stripplot(x='category', y='value', data=df_r, order=['R'],
              color=colors['R'], alpha=0.7, jitter=0.2, size=5, ax=ax, dodge=True, label='_nolegend_')

# 箱线图 (居中)
sns.boxplot(x='category', y='value', data=df_r, order=['R'],
            color=colors['R'], width=0.3, showfliers=False, ax=ax,
            boxprops=dict(alpha=0.5), medianprops=dict(color='black'))

# 小提琴图/KDE (右移一点，只画一半)
# Seaborn 的 violinplot 可以通过 cut=0 和 inner=None 以及调整位置来实现类似效果
# 或者更精确地使用 KDE 图并手动定位
from scipy import stats
kde_r = stats.gaussian_kde(df_r['value'])
x_vals_r = np.linspace(df_r['value'].min(), df_r['value'].max(), 100)
y_vals_r = kde_r(x_vals_r)
# 将 KDE 曲线画在散点图的左边
# 需要计算合适的横坐标位置，这里简化处理，通常雨云图库会处理这个对齐
ax.plot(0 - 0.35 - y_vals_r / (y_vals_r.max()*3) , x_vals_r, color=colors['R'], lw=2) # 调整分母控制宽度


# 绘制 ρ
# 散点
sns.stripplot(x='category', y='value', data=df_rho, order=['ρ'],
              color=colors['ρ'], alpha=0.7, jitter=0.2, size=5, ax=ax, dodge=True, label='_nolegend_')

# 箱线图
sns.boxplot(x='category', y='value', data=df_rho, order=['ρ'],
            color=colors['ρ'], width=0.3, showfliers=False, ax=ax,
            boxprops=dict(alpha=0.5), medianprops=dict(color='black'))

# 小提琴图/KDE for rho
kde_rho = stats.gaussian_kde(df_rho['value'])
x_vals_rho = np.linspace(df_rho['value'].min(), df_rho['value'].max(), 100)
y_vals_rho = kde_rho(x_vals_rho)
ax.plot(1 - 0.35 - y_vals_rho / (y_vals_rho.max()*3) , x_vals_rho, color=colors['ρ'], lw=2)


# 3. 添加图例和标签 (类似原图)
# R 的均值和标准差标注
mean_r_val = df_r['value'].mean()
std_r_val = df_r['value'].std()
ax.plot([0 + 0.15, 0.25 + 0.15], [mean_r_val + std_r_val, mean_r_val + std_r_val], color='black', lw=1)
ax.text(0.28 + 0.15, mean_r_val + std_r_val, f'{mean_r_val + std_r_val:.2f}(1 SD)', va='center')
ax.plot([0 + 0.15, 0.25 + 0.15], [mean_r_val, mean_r_val], color='black', lw=1, linestyle='--') # 均值线 (用星号表示)
ax.plot(0, mean_r_val, marker='*', markersize=10, color='black', markeredgecolor='white') # 原图是星号
ax.text(0.28 + 0.15, mean_r_val, f'{mean_r_val:.2f}(MEAN)', va='center')
ax.plot([0 + 0.15, 0.25 + 0.15], [mean_r_val - std_r_val, mean_r_val - std_r_val], color='black', lw=1)
ax.text(0.28 + 0.15, mean_r_val - std_r_val, f'{mean_r_val - std_r_val:.2f}(-1 SD)', va='center')

# ρ 的均值和标准差标注
mean_rho_val = df_rho['value'].mean()
std_rho_val = df_rho['value'].std()
ax.plot([1 + 0.15, 1.25 + 0.15], [mean_rho_val + std_rho_val, mean_rho_val + std_rho_val], color='black', lw=1)
ax.text(1.28 + 0.15, mean_rho_val + std_rho_val, f'{mean_rho_val + std_rho_val:.2f}(1 SD)', va='center')
ax.plot([1 + 0.15, 1.25 + 0.15], [mean_rho_val, mean_rho_val], color='black', lw=1, linestyle='--')
ax.plot(1, mean_rho_val, marker='*', markersize=10, color='black', markeredgecolor='white')
ax.text(1.28 + 0.15, mean_rho_val, f'{mean_rho_val:.2f}(MEAN)', va='center')
ax.plot([1 + 0.15, 1.25 + 0.15], [mean_rho_val - std_rho_val, mean_rho_val - std_rho_val], color='black', lw=1)
ax.text(1.28 + 0.15, mean_rho_val - std_rho_val, f'{mean_rho_val - std_rho_val:.2f}(-1 SD)', va='center')


# 图表标题和轴标签
ax.set_ylabel('R or ρ Range')
ax.set_xlabel('') # X 轴通常不显示标签，直接用类别名
ax.set_xticks([0, 1])
ax.set_xticklabels(['R', 'ρ'])
ax.set_ylim(0.65, 0.85) # 根据原图设定
ax.text(0.05, 0.95, '(d)', transform=ax.transAxes, fontsize=14, va='top') # 子图标签

# 添加图例 (模拟原图的图例)
from matplotlib.lines import Line2D
from matplotlib.patches import Patch
legend_elements = [
    Patch(facecolor='grey', alpha=0.3, edgecolor='black', label='25%~75%'),
    Line2D([0], [0], color='black', lw=2, label='Mean ± 1 SD', marker='|', markersize=5, linestyle='-'),
    Line2D([0], [0], color='black', lw=1, label='Median Line'),
    Line2D([0], [0], marker='*', color='w', label='Mean',
           markerfacecolor='black', markersize=10)
]
ax.legend(handles=legend_elements, loc='upper right', bbox_to_anchor=(1.0, 1.0))


plt.tight_layout()
plt.show()

Gemini-2.5-Pro 绘制南丁格尔玫瑰图代码

    
    
    
  # 安装和加载必要的包
# install.packages("ggplot2")
# install.packages("dplyr")
# install.packages("tidyr") # For pivot_longer if needed

library(ggplot2)
library(dplyr)

# 1. 准备数据
# 主模型数据
model_data <- data.frame(
  benchmark = factor(rep(c("HumanEval", "CodeArena", "EvalPlus", "BIRD-SQL", "CRUXEval-O", 
                           "Aider", "BigCodeBench", "McEval", "LiveCodeBench", "MBPP"), each = 4),
                     levels = c("HumanEval", "CodeArena", "EvalPlus", "BIRD-SQL", "CRUXEval-O", 
                                "Aider", "BigCodeBench", "McEval", "LiveCodeBench", "MBPP")),
  model = factor(rep(c("Qwen2.5-Coder-32B-Instruct", "DeepSeek-Coder-V2-Instruct", 
                       "DeepSeek-Coder-33B-Instruct", "CodeLlama-Instruct-22B"), times = 10),
                 levels = c("Qwen2.5-Coder-32B-Instruct", "DeepSeek-Coder-V2-Instruct", 
                            "DeepSeek-Coder-33B-Instruct", "CodeLlama-Instruct-22B")),
  value = c(
    # HumanEval
    92.7, 88.4, 79.3, 78.1,
    # CodeArena
    68.9, 57.4, 21.7, 16.8,
    # EvalPlus
    86.3, 83.8, 74.9, 73.5,
    # BIRD-SQL
    58.4, 51.9, 46.2, 45.6,
    # CRUXEval-O
    83.4, 75.1, 63.5, 50.6,
    # Aider
    73.7, 72.9, 59.4, 51.1,
    # BigCodeBench
    38.3, 36.3, 29.8, 29.4,
    # McEval
    65.9, 62.9, 54.3, 50.5,
    # LiveCodeBench
    31.4, 27.9, 22.6, 21.3,
    # MBPP
    90.2, 89.2, 81.2, 73.3
  )
)

# GPT-4o 背景数据 (定义每个 benchmark "轨道" 的最大值)
gpt4o_data <- data.frame(
  benchmark = factor(c("HumanEval", "CodeArena", "EvalPlus", "BIRD-SQL", "CRUXEval-O", 
                       "Aider", "BigCodeBench", "McEval", "LiveCodeBench", "MBPP"),
                     levels = levels(model_data$benchmark)),
  value = c(92.1, 69.1, 84.4, 54.2, 89.2, 71.4, 37.6, 65.8, 34.6, 86.8)
)

# 2. 定义颜色
# 顺序应与 model factor levels 对应: Blue, Green, Beige, Pink
color_palette <- c(
  "Qwen2.5-Coder-32B-Instruct" = "#2A7FFF", # 鲜艳的蓝色
  "DeepSeek-Coder-V2-Instruct" = "#7CFC00", # 亮绿色/酸橙绿
  "DeepSeek-Coder-33B-Instruct" = "#E0C097", # 米色/浅棕
  "CodeLlama-Instruct-22B" = "#FF1493", # 深粉色/品红
  "GPT-4o-Track" = "#4A4A3B" # 暗橄榄色 (用于背景轨道)
)


# 3. 创建图表
# 计算 benchmark 标签的位置
num_benchmarks <- length(levels(model_data$benchmark))
benchmark_labels_data <- data.frame(
  benchmark = levels(model_data$benchmark),
  angle = 90 - seq(0, 360 - 360/num_benchmarks, length.out = num_benchmarks) - (360/num_benchmarks)/2,
  hjust_val = ifelse( (90 - seq(0, 360 - 360/num_benchmarks, length.out = num_benchmarks) - (360/num_benchmarks)/2) < -90 | (90 - seq(0, 360 - 360/num_benchmarks, length.out = num_benchmarks) - (360/num_benchmarks)/2) > 90, 1, 0),
  angle_text = ifelse( (90 - seq(0, 360 - 360/num_benchmarks, length.out = num_benchmarks) - (360/num_benchmarks)/2) < -90 | (90 - seq(0, 360 - 360/num_benchmarks, length.out = num_benchmarks) - (360/num_benchmarks)/2) > 90, (90 - seq(0, 360 - 360/num_benchmarks, length.out = num_benchmarks) - (360/num_benchmarks)/2) + 180, (90 - seq(0, 360 - 360/num_benchmarks, length.out = num_benchmarks) - (360/num_benchmarks)/2) )
)
# 合并以获取 benchmark 的 x 值
benchmark_labels_data <- benchmark_labels_data %>%
  mutate(x_pos = as.numeric(factor(benchmark, levels = levels(model_data$benchmark))))


# 调整y轴上限以容纳标签
y_axis_max <- 115 #max(c(model_data$value, gpt4o_data$value)) * 1.15


p <- ggplot() +
  # A. 绘制 GPT-4o 背景 "轨道"
  # 使用 geom_col 为每个 benchmark 创建一个单独的背景条，宽度覆盖整个类别
  geom_col(data = gpt4o_data,
           aes(x = benchmark, y = value), # 使用 y = y_axis_max 来创建完整的扇区背景
           fill = color_palette["GPT-4o-Track"], # 使用预定义的颜色
           alpha = 0.8, # 透明度
           width = 0.95) + # 宽度，确保覆盖
  
  # B. 绘制模型数据条形
  geom_col(data = model_data, 
           aes(x = benchmark, y = value, fill = model),
           position = position_dodge2(width = 0.9, preserve = "single"), # 分组条形
           width = 0.85, # 条形宽度
           alpha = 0.9) + # 条形透明度
  
  # C. 在 GPT-4o 轨道上添加数值标签
  geom_text(data = gpt4o_data,
            aes(x = benchmark, y = value + 4, label = sprintf("%.1f", value)), # 标签位置略高于轨道末端
            color = "white", size = 2.5, fontface = "bold", vjust = 0.5) +
  
  # D. 在模型数据条形上添加数值标签
  geom_text(data = model_data,
            aes(x = benchmark, y = value + 2, label = sprintf("%.1f", value), group = model),
            position = position_dodge2(width = 0.9, preserve = "single"),
            color = "white", size = 2, vjust = 0.5, hjust=0.5, fontface="bold") +
  
  # E. 应用极坐标转换
  coord_polar(theta = "x", start = 0, direction = 1) +
  
  # F. 设置 Y 轴范围和刻度 (半径)
  # 移除默认的Y轴网格线和标签，因为它们在极坐标图中通常不直观
  scale_y_continuous(limits = c(-20, y_axis_max), breaks = c(0, 25, 50, 75, 100), labels = c("0", "25", "50", "75", "100")) +
  
  # G. 自定义颜色
  scale_fill_manual(values = color_palette, name = "Model") +
  
  # H. 添加 Benchmark 标签 (X轴标签)
  # 使用 annotate 或 geom_text 来手动放置 benchmark 标签
  # 这里我们使用 scale_x_discrete 并尝试通过主题调整，但自定义 geom_text 通常效果更好
  geom_text(data = benchmark_labels_data,
            aes(x = x_pos, y = y_axis_max * 0.95, label = benchmark, angle = angle_text, hjust = hjust_val), # y值设在外部
            color = "white", size = 3.5, fontface = "bold") +
  
  # I. 设置主题和样式
  theme_minimal() +
  theme(
    plot.background = element_rect(fill = "black", color = "black"),
    panel.background = element_rect(fill = "black", color = "black"),
    panel.grid = element_blank(), # 移除主要网格线
    axis.title = element_blank(),
    axis.text.y = element_text(color = "white", size = 8), # Y轴刻度标签（半径）
    axis.text.x = element_blank(), # 移除默认的X轴标签，因为我们用geom_text自定义了
    legend.position = "bottom",
    legend.background = element_rect(fill = "black"),
    legend.title = element_text(color = "white", face = "bold"),
    legend.text = element_text(color = "white"),
    plot.title = element_text(color = "white", size = 20, hjust = 0.5, face = "bold", margin = margin(b = 20))
  ) +
  
  # J. 添加标题
  ggtitle("Qwen2.5-Coder-32B")

# 显示图表
print(p)

制作不易，如果这篇文章觉得对你有用，可否点个关注。给我个三连击：点赞、转发和在看。若可以再给我加个，谢谢你看我的文章，我们下篇再见！

搭建完美的写作环境：工具篇（12 章）
图解机器学习 - 中文版（72 张 PNG）
ChatGPT、大模型系列研究报告（50 个 PDF）
108 页 PDF 小册子：搭建机器学习开发环境及 Python 基础
116 页 PDF 小册子：机器学习中的概率论、统计学、线性代数
史上最全！371 张速查表，涵盖 AI、ChatGPT、Python、R、深度学习、机器学习等