大家好，我是 Ai 學習的老章

看論文時，經常看到漂亮的圖表，很多不知道是用什么工具繪制的，或者很想復刻類似圖表。

前文，我用Kimi、Qwen-3-235B-A22B、Claude-3.7-sonnet、GPT-4.1、Gemini 2.5 Pro測試了其在 LaTeX 公式識別中的表現。

本文就測試一下他們在圖表識別、復刻中的表現，看看誰更擅長干這件事

備注：Kimi 開啟了長思考，Qwen3 未開啟深度思考，因為開啟之后巨慢且失敗

省流：Gemini 2.5 Pro 是最強大的代碼模型，毫無爭議

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

第一題
來源：https://www.biorxiv.org/content/10.1101/2024.04.02.587723v1.full.pdf Kimi

有點弱智，繪制了傻瓜箱線圖，圖像理解有問題

Qwen-3-235B-A22B

也很傻瓜，與 kimi 半斤八兩

Claude-3.7-sonnet

好一點點，繪制了半小提琴圖 (half-violin plot) 結合箱線圖 (box plot)

后續我又試了一下

如果明確告訴它用 R 繪制，Claude-3.7 結果如下，還不錯！

GPT-4.1

失敗，生成的代碼滿滿得 bug，無法生成圖表

Gemini 2.5 Pro

震驚了

它識別出這是雨云圖 (raincloudplot)，結合了以下 3 圖表的元素：

散點圖 (Scatter/Strip plot):顯示每 1.個單獨的數據點 (圖中的綠色和藍色小點)

箱形圖 (Box plot):顯示數據的分布摘要 (中位數、四分位數、均值和標準差范圍)

小提琴圖 (Violin plot) 或 核密度估計圖 (KDE plot):顯示數據分布的平滑曲線 (圖中數據點左側的曲線)

代碼放文末了，大家欣賞一下

第二題

上難度，一次性復刻、輸出 4 張圖表

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

看了下，其樣例數據很簡單，第四幅圖沒有完美復刻

Qwen-3-235B-A22B

沒理解意思，且只生成了一張，出現 bug

沒想到它居然還不如 kimi。。。

Claude-3.7-sonnet

第四幅圖沒有繪制成功，報錯是顏色問題

讓其修復顏色問題后，輸出如下，第四幅圖沒有依然沒有完美復刻

GPT-4.1

繪制失敗，換了 GPT-4o 依然失敗

Gemini 2.5 Pro

第四張繪制失敗

第三題

換個簡單點的

省點事兒，直接讓大模型用 R 復刻

Kimi

復刻失敗

Qwen-3-235B-A22B

還行，有點丑

Claude-3.7-sonnet

“徑向條形圖”或“放射狀條形圖”（Radial Bar Chart）

GPT-4.1

復刻失敗

Gemini 2.5 Pro

接近完美復刻

Gemini-2.5-Pro 繪制的云雨圖代碼

import matplotlib.pyplot as plt import seaborn as sns import pandas as pd import numpy as np # 1. 生成模擬數據 # 根據圖片估算 R 和 rho 的數據特征 np.random.seed(0) # 為了結果可復現 # R 的數據 r_mean = 0.78 r_std = 0.02# 根據 1 SD 范圍 (0.76-0.80) 估算 r_data = np.random.normal(loc=r_mean, scale=r_std, size=100) # 限制數據在圖中大致范圍內 r_data = np.clip(r_data, 0.72, 0.82) # rho 的數據 rho_mean = 0.77 rho_std = 0.02# 根據 1 SD 范圍 (0.75-0.79) 估算 rho_data = np.random.normal(loc=rho_mean, scale=rho_std, size=100) # 限制數據在圖中大致范圍內 rho_data = np.clip(rho_data, 0.70, 0.81) # 將數據整合到 Pandas DataFrame 中，方便 seaborn 處理 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. 繪制圖表 fig, ax = plt.subplots(figsize=(8, 6)) # 使用 seaborn 繪制 # 為了實現雨云圖的效果，我們會組合 stripplot, boxplot, 和 violinplot (只顯示一半) # 定義顏色 colors = {"R": "green", "ρ": "blue"} # 繪制 R # 散點 (左移一點，給箱線圖和 KDE 留空間) 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_') # 箱線圖 (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')) # 小提琴圖/KDE (右移一點，只畫一半) # Seaborn 的 violinplot 可以通過 cut=0 和 inner=None 以及調整位置來實現類似效果 # 或者更精確地使用 KDE 圖并手動定位 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) # 將 KDE 曲線畫在散點圖的左邊 # 需要計算合適的橫坐標位置，這里簡化處理，通常雨云圖庫會處理這個對齊 ax.plot(0 - 0.35 - y_vals_r / (y_vals_r.max()*3) , x_vals_r, color=colors['R'], lw=2) # 調整分母控制寬度 # 繪制 ρ # 散點 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_') # 箱線圖 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')) # 小提琴圖/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. 添加圖例和標簽 (類似原圖) # R 的均值和標準差標注 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='--') # 均值線 (用星號表示) ax.plot(0, mean_r_val, marker='*', markersize=10, color='black', markeredgecolor='white') # 原圖是星號 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 的均值和標準差標注 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') # 圖表標題和軸標簽 ax.set_ylabel('R or ρ Range') ax.set_xlabel('') # X 軸通常不顯示標簽，直接用類別名 ax.set_xticks([0, 1]) ax.set_xticklabels(['R', 'ρ']) ax.set_ylim(0.65, 0.85) # 根據原圖設定 ax.text(0.05, 0.95, '(d)', transform=ax.transAxes, fontsize=14, va='top') # 子圖標簽 # 添加圖例 (模擬原圖的圖例) 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()

# 安裝和加載必要的包 # install.packages("ggplot2") # install.packages("dplyr") # install.packages("tidyr") # For pivot_longer if needed library(ggplot2) library(dplyr) # 1. 準備數據 # 主模型數據 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 背景數據 (定義每個 benchmark "軌道" 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$benchmark)),   value = c(92.1, 69.1, 84.4, 54.2, 89.2, 71.4, 37.6, 65.8, 34.6, 86.8) ) # 2. 定義顏色 # 順序應與 model factor levels 對應: Blue, Green, Beige, Pink color_palette <- c( "Qwen2.5-Coder-32B-Instruct" = "#2A7FFF", # 鮮艷的藍色 "DeepSeek-Coder-V2-Instruct" = "#7CFC00", # 亮綠色/酸橙綠 "DeepSeek-Coder-33B-Instruct" = "#E0C097", # 米色/淺棕 "CodeLlama-Instruct-22B" = "#FF1493", # 深粉色/品紅 "GPT-4o-Track" = "#4A4A3B"# 暗橄欖色 (用于背景軌道) ) # 3. 創建圖表 # 計算 benchmark 標簽的位置 num_benchmarks <- length(levels(model_data$benchmark)) benchmark_labels_data <- data.frame(   benchmark = levels(model_data$benchmark),   angle = 90 - seq(0, 360 - 360/num_benchmarks, length.out = num_benchmarks) - (360/num_benchmarks)/2,   hjust_val = ifelse( (90 - seq(0, 360 - 360/num_benchmarks, length.out = num_benchmarks) - (360/num_benchmarks)/2) < -90 | (90 - seq(0, 360 - 360/num_benchmarks, length.out = num_benchmarks) - (360/num_benchmarks)/2) > 90, 1, 0),   angle_text = ifelse( (90 - seq(0, 360 - 360/num_benchmarks, length.out = num_benchmarks) - (360/num_benchmarks)/2) < -90 | (90 - seq(0, 360 - 360/num_benchmarks, length.out = num_benchmarks) - (360/num_benchmarks)/2) > 90, (90 - seq(0, 360 - 360/num_benchmarks, length.out = num_benchmarks) - (360/num_benchmarks)/2) + 180, (90 - seq(0, 360 - 360/num_benchmarks, length.out = num_benchmarks) - (360/num_benchmarks)/2) ) ) # 合并以獲取 benchmark 的 x 值 benchmark_labels_data <- benchmark_labels_data %>%   mutate(x_pos = as.numeric(factor(benchmark, levels = levels(model_data$benchmark)))) # 調整y軸上限以容納標簽 y_axis_max <- 115#max(c(model_data$value, gpt4o_data$value)) * 1.15 p <- ggplot() + # A. 繪制 GPT-4o 背景 "軌道" # 使用 geom_col 為每個 benchmark 創建一個單獨的背景條，寬度覆蓋整個類別   geom_col(data = gpt4o_data,            aes(x = benchmark, y = value), # 使用 y = y_axis_max 來創建完整的扇區背景            fill = color_palette["GPT-4o-Track"], # 使用預定義的顏色            alpha = 0.8, # 透明度            width = 0.95) + # 寬度，確保覆蓋 # B. 繪制模型數據條形   geom_col(data = model_data,             aes(x = benchmark, y = value, fill = model),            position = position_dodge2(width = 0.9, preserve = "single"), # 分組條形            width = 0.85, # 條形寬度            alpha = 0.9) + # 條形透明度 # C. 在 GPT-4o 軌道上添加數值標簽   geom_text(data = gpt4o_data,             aes(x = benchmark, y = value + 4, label = sprintf("%.1f", value)), # 標簽位置略高于軌道末端             color = "white", size = 2.5, fontface = "bold", vjust = 0.5) + # D. 在模型數據條形上添加數值標簽   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. 應用極坐標轉換   coord_polar(theta = "x", start = 0, direction = 1) + # F. 設置 Y 軸范圍和刻度 (半徑) # 移除默認的Y軸網格線和標簽，因為它們在極坐標圖中通常不直觀   scale_y_continuous(limits = c(-20, y_axis_max), breaks = c(0, 25, 50, 75, 100), labels = c("0", "25", "50", "75", "100")) + # G. 自定義顏色   scale_fill_manual(values = color_palette, name = "Model") + # H. 添加 Benchmark 標簽 (X軸標簽) # 使用 annotate 或 geom_text 來手動放置 benchmark 標簽 # 這里我們使用 scale_x_discrete 并嘗試通過主題調整，但自定義 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值設在外部             color = "white", size = 3.5, fontface = "bold") + # I. 設置主題和樣式   theme_minimal() +   theme(     plot.background = element_rect(fill = "black", color = "black"),     panel.background = element_rect(fill = "black", color = "black"),     panel.grid = element_blank(), # 移除主要網格線     axis.title = element_blank(),     axis.text.y = element_text(color = "white", size = 8), # Y軸刻度標簽（半徑）     axis.text.x = element_blank(), # 移除默認的X軸標簽，因為我們用geom_text自定義了     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. 添加標題   ggtitle("Qwen2.5-Coder-32B") # 顯示圖表 print(p)

制作不易，如果這篇文章覺得對你有用，可否點個關注。給我個三連擊：點贊、轉發和在看。若可以再給我加個，謝謝你看我的文章，我們下篇再見！