Introdução｜Depois de reproduzir uma linha de base multimodal como o LLaVA e de gerar uma pilha de JSON no POPE e no MMBench, chega a parte que dá realmente trabalho: criar figuras, escrever o capítulo de resultados e organizar as referências. Este artigo mostra como fazer estas três coisas de uma só vez.
1. De «correu tudo» a «já está no artigo»: pelo meio há três montanhas
| Etapa | Porque dá trabalho | Como o MuchSci Paper Sailor resolve |
| Gerar figuras | Escrever matplotlib à mão e ajustar repetidamente a largura da coluna | Gera diretamente SVG de barras agrupadas no tamanho da revista |
| Escrever o capítulo de resultados | Descrever métrica por métrica e ainda alinhar com as figuras | Gera automaticamente o esboço do capítulo de resultados a partir dos seus dados |
| Organizar referências | Copiar dezenas de entradas arXiv à mão é onde mais se erra | Gestão automática de numeração + verificação de autenticidade antes da submissão |
O que estas três tarefas têm em comum: não são difíceis, mas consomem imenso tempo e são extremamente propensas a erros.
2. Primeiro passo: carregar os resultados experimentais e gerar primeiro o esboço do capítulo de resultados
Carregue os CSV / JSON dos resultados experimentais para o MuchSci Paper Sailor. Ele começa por fazer um perfil dos dados (tipos de campos, valores em falta, distribuição) e depois, com base nos seus nomes reais de colunas, gera automaticamente o esboço do capítulo de resultados — que tabela corresponde a cada descrição e que métricas devem ser reportadas uma a uma, deixando tudo claro desde o início.
O valor deste passo está em: a estrutura do capítulo de resultados é determinada pelos seus dados, e não por um modelo pré-definido. Se executou precision e recall, ele organiza segundo essas duas dimensões; se tem vários conjuntos de dados, divide em secções por conjunto de dados.
3. Segundo passo: gerar diretamente SVG de barras agrupadas no tamanho da revista
Sem escrever código de desenho, crie as figuras diretamente no MuchSci Paper Sailor:
• Tipo de gráfico: barras agrupadas (grouped_bar), etc., ideal para comparar modelos.
• Saída vetorial: svg=true, texto editável, sem perda de qualidade ao ampliar.
• Tamanho da revista: gera a figura de acordo com a largura da coluna da revista de destino (por exemplo, nature_single=89mm), para inserir no texto sem reformatar.
Este passo elimina exatamente a parte que menos quer fazer — dezenas de linhas de matplotlib, mais o ajuste repetido de tamanhos para alinhar com a largura da coluna.
4. Terceiro passo: as legendas das figuras associam automaticamente os valores originais de Precision / Recall
Este é o aspeto mais fácil de ignorar e também o que mais demonstra profissionalismo: incluir valores concretos nas legendas das figuras.
Cada valor pode ser rastreado até ao conjunto de dados, e a legenda da figura associa automaticamente os valores originais de Precision / Recall correspondentes a essa figura, em vez de escrever apenas «significativamente melhor do que a linha de base».
Para os revisores, a diferença entre as duas formas de escrever é esta: a primeira pode ser verificada diretamente; a segunda só pode deixar dúvidas. No MuchSci Paper Sailor, quaisquer valores que não possam ser rastreados não são permitidos nas legendas das figuras.
5. Quarto passo: gestão automática de referências
O mesmo conjunto de referências tem de ser usado tanto no trabalho relacionado como na análise comparativa. O MuchSci Paper Sailor gere automaticamente a numeração destas referências arXiv, usa marcações cite no texto, gera o bib com um clique e corre uma verificação de autenticidade antes da submissão — sem inventar métricas experimentais e sem deixar referências alucinadas.
6. Um percurso completo
Usando como exemplo a reprodução da linha de base LLaVA:
1. Carregar resultados: carregue os JSON do POPE / MMBench em conjunto.
2. Perfil automático: confirme que os campos e os valores estão corretos.
3. Gerar o esboço do capítulo de resultados: organizar o capítulo por conjunto de dados + métrica.
4. Gerar figuras: criar um gráfico de barras agrupadas e exportar SVG no tamanho da revista.
5. Escrever o capítulo de resultados: descrever, métrica a métrica, o recall / a exatidão de cada modelo, com os valores originais nas legendas das figuras.
6. Gerir referências: marcações cite → gerar bib → correr a verificação de autenticidade.
7. Exportar: finalizar juntamente com os materiais de submissão.
7. Armadilhas comuns
• Fazer figuras com matplotlib à mão. Para além de consumir tempo, o tamanho da letra, a espessura das linhas e a largura da coluna não ficam alinhados, e o tempo de retrabalho ultrapassa largamente o de criar a figura em si.
• Legendas das figuras que dizem apenas «melhoria significativa». Os revisores não veem números e só suspeitam que está a esconder algo.
• Valores que não batem certo com a figura. Os dados foram alterados numa iteração e esqueceu-se de voltar a gerar a figura; a legenda continua desatualizada — a rastreabilidade dos valores existe precisamente para evitar isto.
• Copiar referências à mão. Basta um erro em dezenas de entradas para um revisor o apanhar.
8. Conclusão
Os resultados experimentais são apenas um produto semiacabado; só o que consegue entrar no artigo é que é um resultado. O MuchSci Paper Sailor encadeia «gerar o esboço do capítulo de resultados → criar figuras vetoriais no tamanho da revista → associar os valores originais às legendas → gestão automática de referências» numa única linha de trabalho; só tem de entregar o JSON.
Verificação antes de gerar as figuras:
• A figura é vetorial e está alinhada com a largura da coluna da revista de destino?
• A legenda da figura indica valores concretos ou apenas generalidades?
• Cada número pode ser rastreado até aos resultados experimentais originais?
• As referências passaram pela verificação de autenticidade?