導語｜復現完 LLaVA 這類多模態基線，在 POPE、MMBench 上跑出一堆 JSON，接下來才是真正費勁的部分：出圖、寫結果章、整理引用。這篇講怎麼把這三件事一次做完。
一、 從“跑完了”到“寫得進論文”，中間隔著三座山
| 環節 | 為何費勁 | 論文水手怎麼接 |
| 出圖 | 手寫 matplotlib、反覆調欄寬 | 直接出期刊尺寸的分組柱狀 SVG |
| 寫結果章 | 逐項描述指標、還要跟圖對齊 | 按你的數據自動生成結果章大綱 |
| 整理引用 | 幾十條 arXiv 手抄最易出錯 | 自動管編號 + 投稿前真實性校驗 |
這三件事的共同點是：不難，但極其耗時間，而且特別容易出錯。
二、第一步：上傳實驗結果，先生成結果章節大綱
把實驗結果的 CSV / JSON 上傳到 MuchSci 論文水手。它會先做數據畫像（欄位類型、缺失、分佈），再基於你的真實列名自動生成結果章節的大綱——哪張表對應哪段描述、哪些指標要逐項報告，先擺清楚。
這一步的價值在於：結果章節的結構，是由你的數據決定的，而不是套模板。 你跑了 precision 和 recall，它就按這兩個維度組織；你有多個數據集，它就按數據集分節。
三、第二步：直接出期刊尺寸的分組柱狀 SVG
不寫繪圖代碼，直接在論文水手裡出圖：
• 圖形類型：分組柱狀（grouped_bar）等，做模型間對比正合適。
• 向量輸出：svg=true，文字可編輯，放大不失真。
• 期刊尺寸：按目標期刊欄寬出圖（如 nature_single=89mm），貼進正文不用重排。
這一步省掉的正是你最不想做的那部分——幾十行 matplotlib，加上反覆調尺寸對齊欄寬。
四、第三步：圖註自動綁定 Precision / Recall 原始數值
這是最容易忽略、也最能體現專業度的地方：圖註裡帶具體數值。
每個數值都能追溯到數據集，圖註會自動綁定該圖對應的 Precision / Recall 原始值，而不是寫一句“顯著優於基線”。
對審稿人來說，這兩種寫法的差別是：前者可以直接核對，後者只能存疑。凡是不能追溯的數值，論文水手裡都不允許出現在圖註中。
五、第四步：引用自動管理
同一批文獻，你既要用在相關工作裡，也要用在對比分析裡。論文水手會自動管理這些 arXiv 引用的編號，正文用 cite 標記、一鍵出 bib，並在投稿前跑真實性校驗——既不會編造實驗指標，也不會留下幻覺文獻。
六、一次完整走查
以 LLaVA 基線復現為例：
1. 上傳結果：把 POPE / MMBench 的 JSON 一起傳上去。
2. 自動畫像：確認欄位和取值沒問題。
3. 生成結果章大綱：按數據集 + 指標組織章節。
4. 出圖：生成分組柱狀圖，導出期刊尺寸的 SVG。
5. 寫結果章：逐項描述各模型的召回 / 準確率，圖註帶原始數值。
6. 管引用：cite 標記 → 出 bib → 跑真實性校驗。
7. 導出：連同投稿材料一起收口。
七、常見坑
• 手寫 matplotlib 出圖。 費時不說，字號、線寬、欄寬對不齊，返工時間遠超寫圖本身。
• 圖註只寫“顯著提升”。 審稿人看不到數字，只會懷疑你在藏。
• 數值和圖對不上。 數據改過一輪卻忘了重出圖，圖註還是舊的——數值可追溯就是為了防這個。
• 引用手抄。 幾十條裡錯一條，就可能被審稿人抓住。
八、結語
實驗結果只是半成品，能寫進論文的才是成果。MuchSci 的論文水手把“生成結果章大綱 → 出期刊尺寸向量圖 → 圖註綁定原始數值 → 引用自動管理”連成一條線，你要做的只是把 JSON 交出去。
出圖前自檢：
• 圖是向量、且對齊了目標期刊欄寬嗎？
• 圖註寫的是具體數值，還是空話？
• 每個數字都能追溯到原始實驗結果嗎？
• 引用做過真實性校驗了嗎？