导语｜复现完 LLaVA 这类多模态基线，在 POPE、MMBench 上跑出一堆 JSON，接下来才是真正费劲的部分：出图、写结果章、整理引用。这篇讲怎么把这三件事一次做完。
一、 从“跑完了”到“写得进论文”，中间隔着三座山
| 环节 | 为什么费劲 | 论文水手怎么接 |
| 出图 | 手写 matplotlib、反复调栏宽 | 直接出期刊尺寸的分组柱状 SVG |
| 写结果章 | 逐项描述指标、还要跟图对齐 | 按你的数据自动生成结果章大纲 |
| 整理引用 | 几十条 arXiv 手抄最易出错 | 自动管编号 + 投稿前真实性校验 |
这三件事的共同点是：不难，但极其耗时间，而且特别容易出错。
二、第一步：上传实验结果，先生成结果章节大纲
把实验结果的 CSV / JSON 上传到 MuchSci 论文水手。它会先做数据画像（字段类型、缺失、分布），再基于你的真实列名自动生成结果章节的大纲——哪张表对应哪段描述、哪些指标要逐项报告，先摆清楚。
这一步的价值在于：结果章节的结构，是由你的数据决定的，而不是套模板。 你跑了 precision 和 recall，它就按这两个维度组织；你有多个数据集，它就按数据集分节。
三、第二步：直接出期刊尺寸的分组柱状 SVG
不写绘图代码，直接在论文水手里出图：
• 图形类型：分组柱状（grouped_bar）等，做模型间对比正合适。
• 矢量输出：svg=true，文字可编辑，放大不失真。
• 期刊尺寸：按目标期刊栏宽出图（如 nature_single=89mm），贴进正文不用重排。
这一步省掉的正是你最不想干的那部分——几十行 matplotlib，加上反复调尺寸对齐栏宽。
四、第三步：图注自动绑定 Precision / Recall 原始数值
这是最容易忽略、也最能体现专业度的地方：图注里带具体数值。
每个数值都能追溯到数据集，图注会自动绑定该图对应的 Precision / Recall 原始值，而不是写一句“显著优于基线”。
对审稿人来说，这两种写法的差别是：前者可以直接核对，后者只能存疑。凡是不能追溯的数值，论文水手里都不允许出现在图注中。
五、第四步：引用自动管理
同一批文献，你既要用在相关工作里，也要用在对比分析里。论文水手会自动管理这些 arXiv 引用的编号，正文用 cite 标记、一键出 bib，并在投稿前跑真实性校验——既不会编造实验指标，也不会留下幻觉文献。
六、一次完整走查
以 LLaVA 基线复现为例：
1. 上传结果：把 POPE / MMBench 的 JSON 一起传上去。
2. 自动画像：确认字段和取值没问题。
3. 生成结果章大纲：按数据集 + 指标组织章节。
4. 出图：生成分组柱状图，导出期刊尺寸的 SVG。
5. 写结果章：逐项描述各模型的召回 / 准确率，图注带原始数值。
6. 管引用：cite 标记 → 出 bib → 跑真实性校验。
7. 导出：连同投稿材料一起收口。
七、常见坑
• 手写 matplotlib 出图。 费时不说，字号、线宽、栏宽对不齐，返工时间远超写图本身。
• 图注只写“显著提升”。 审稿人看不到数字，只会怀疑你在藏。
• 数值和图对不上。 数据改过一轮却忘了重出图，图注还是旧的——数值可追溯就是为了防这个。
• 引用手抄。 几十条里错一条，就可能被审稿人抓住。
八、结语
实验结果只是半成品，能写进论文的才是成果。MuchSci 的论文水手把“生成结果章大纲 → 出期刊尺寸矢量图 → 图注绑定原始数值 → 引用自动管理”连成一条线，你要做的只是把 JSON 交出去。
出图前自检：
• 图是矢量、且对齐了目标期刊栏宽吗？
• 图注写的是具体数值，还是空话？
• 每个数字都能追溯到原始实验结果吗？
• 引用做过真实性校验了吗？