[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"project-1674":3},{"id":4,"name":5,"fullName":6,"owner":7,"repo":5,"description":8,"homepage":9,"htmlUrl":10,"language":11,"languages":10,"totalLinesOfCode":10,"stars":12,"forks":13,"watchers":14,"openIssues":15,"contributorsCount":15,"subscribersCount":15,"size":15,"stars1d":16,"stars7d":17,"stars30d":18,"stars90d":15,"forks30d":15,"starsTrendScore":19,"compositeScore":20,"rankGlobal":10,"rankLanguage":10,"license":10,"archived":21,"fork":21,"defaultBranch":22,"hasWiki":23,"hasPages":21,"topics":24,"createdAt":10,"pushedAt":10,"updatedAt":28,"readmeContent":29,"aiSummary":30,"trendingCount":15,"starSnapshotCount":15,"syncStatus":31,"lastSyncTime":32,"discoverSource":33},1674,"paper-plot-skills","Trae1ounG\u002Fpaper-plot-skills","Trae1ounG","Top-Conference Paper Figure Reproduction & Plotting Skills | 顶会论文图表复现绘制Skills","",null,"Python",337,19,1,0,16,33,103,48,3.9,false,"main",true,[25,26,27],"llms","plot","skills","2026-06-12 02:00:31","# Paper Plot Skills\n\n这里是我自己在用的，一套用于**复现和生成学术论文图表**的 AI Skills 工具箱。  \n\n我仔细选取了自己阅读过论文里绘图风格很有参考价值的各种图表，具有**很强的参考意义**，能极大程度**减少绘图时候的重复工作**。\n\n这个仓库只是提供了一个起始点，从 9 张真实论文图表中提炼出系统化风格参数，支持**按风格填数据**和**从图片复现**两种使用方式。\n\n这些skills会随着你的复现过程不断优化。\n\n如果对你有用，麻烦点一个star🌟，鼓励我们不断优化这个仓库！\n\n---\n\n## 🎨 预置风格一览\n\n\n| 风格                                              | 类型  | 来源论文              | 关键特征                             |\n| ----------------------------------------------- | --- | ----------------- | -------------------------------- |\n| `[bar_paired_delta](#bar_paired_delta)`         | 柱状图 | MemEvolve         | 配对柱 + 增益箭头，serif 字体              |\n| `[bar_grouped_hatch](#bar_grouped_hatch)`       | 柱状图 | SPICE             | 分组柱 + 斜线填充主方法，柱顶数值               |\n| `[line_confidence_band](#line_confidence_band)` | 折线图 | Self-Distillation | EMA 平滑 + 置信区间阴影，LaTeX 字体         |\n| `[line_training_curve](#line_training_curve)`   | 折线图 | DAPO              | 垂直断点线 + 水平参考线，sans-serif         |\n| `[line_loss_with_inset](#line_loss_with_inset)` | 折线图 | SiameseNorm       | L 形 spine + 轴端箭头 + 右侧 zoom inset |\n| `[scatter_tsne_cluster](#scatter_tsne_cluster)` | 散点图 | MemGen            | t-SNE 聚类 + 圆角彩色注释框，点线网格          |\n| `[scatter_broken_axis](#scatter_broken_axis)`   | 散点图 | Meta-Harness      | 折断 X 轴双面板，多 marker 类型            |\n| `[radar_dual_series](#radar_dual_series)`       | 雷达图 | DoRA              | 正八边形虚线同心网格，双方法对比                 |\n\n\n---\n\n## Skills\n\n\n| Skill                                   | 说明                                    | 触发方式                            |\n| --------------------------------------- | ------------------------------------- | ------------------------------- |\n| **[plot-from-data](plot-from-data\u002F)**   | 选择上方任意风格，填入你的数据，生成 dpi=300 论文图        | \"用 `bar_grouped_hatch` 风格画我的数据\" |\n| **[plot-from-image](plot-from-image\u002F)** | 上传论文截图，自动分析比例\u002F字体\u002F配色并复现为 matplotlib 脚本 | \"帮我复现这张图\"                       |\n\n\n---\n\n## 原图与复现总览\n\n\u003Ctable>\n\u003Ctr>\n\u003Ctd align=\"center\">\u003Cb>图名\u003C\u002Fb>\u003C\u002Ftd>\n\u003Ctd align=\"center\">\u003Cb>原图\u003C\u002Fb>\u003C\u002Ftd>\n\u003Ctd align=\"center\">\u003Cb>复现图\u003C\u002Fb>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Ccode>bar_memevolve\u003C\u002Fcode>\u003C\u002Ftd>\n\u003Ctd>\u003Cimg src=\"originals\u002Fbar_memevolve.png\" width=\"260\">\u003C\u002Ftd>\n\u003Ctd>\u003Cimg src=\"repro\u002Fbar_memevolve_repro.png\" width=\"260\">\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Ccode>bar_spice\u003C\u002Fcode>\u003C\u002Ftd>\n\u003Ctd>\u003Cimg src=\"originals\u002Fbar_spice.png\" width=\"260\">\u003C\u002Ftd>\n\u003Ctd>\u003Cimg src=\"repro\u002Fbar_spice_repro.png\" width=\"260\">\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Ccode>line_selfdistill_train\u003C\u002Fcode>\u003C\u002Ftd>\n\u003Ctd>\u003Cimg src=\"originals\u002Fline_selfdistill_train.png\" width=\"260\">\u003C\u002Ftd>\n\u003Ctd>\u003Cimg src=\"repro\u002Fline_selfdistill_train_repro.png\" width=\"260\">\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Ccode>line_selfdistill_scale\u003C\u002Fcode>\u003C\u002Ftd>\n\u003Ctd>\u003Cimg src=\"originals\u002Fline_selfdistill_scale.png\" width=\"260\">\u003C\u002Ftd>\n\u003Ctd>\u003Cimg src=\"repro\u002Fline_selfdistill_scale_repro.png\" width=\"260\">\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Ccode>line_aime\u003C\u002Fcode>\u003C\u002Ftd>\n\u003Ctd>\u003Cimg src=\"originals\u002Fline_aime.png\" width=\"260\">\u003C\u002Ftd>\n\u003Ctd>\u003Cimg src=\"repro\u002Fline_aime_repro.png\" width=\"260\">\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Ccode>line_loss_inset\u003C\u002Fcode>\u003C\u002Ftd>\n\u003Ctd>\u003Cimg src=\"originals\u002Fline_loss_inset.png\" width=\"260\">\u003C\u002Ftd>\n\u003Ctd>\u003Cimg src=\"repro\u002Fline_loss_inset_repro.png\" width=\"260\">\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Ccode>scatter_tsne\u003C\u002Fcode>\u003C\u002Ftd>\n\u003Ctd>\u003Cimg src=\"originals\u002Fscatter_tsne.png\" width=\"260\">\u003C\u002Ftd>\n\u003Ctd>\u003Cimg src=\"repro\u002Fscatter_tsne_repro.png\" width=\"260\">\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Ccode>scatter_break\u003C\u002Fcode>\u003C\u002Ftd>\n\u003Ctd>\u003Cimg src=\"originals\u002Fscatter_break.png\" width=\"260\">\u003C\u002Ftd>\n\u003Ctd>\u003Cimg src=\"repro\u002Fscatter_break_repro.png\" width=\"260\">\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Ccode>radar_dora\u003C\u002Fcode>\u003C\u002Ftd>\n\u003Ctd>\u003Cimg src=\"originals\u002Fradar_dora.png\" width=\"260\">\u003C\u002Ftd>\n\u003Ctd>\u003Cimg src=\"repro\u002Fradar_dora_repro.png\" width=\"260\">\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Ccode>classwise_iou\u003C\u002Fcode>\u003C\u002Ftd>\n\u003Ctd>\u003Cimg src=\"originals\u002Fclasswise_iou.png\" width=\"260\">\u003C\u002Ftd>\n\u003Ctd>\u003Cimg src=\"repro\u002Fclasswise_iou_repro.png\" width=\"260\">\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftable>\n\n其中 `classwise_iou` 是直接走 `plot-from-image` 流程新增复现的案例：\n\n> 输入图片：[`originals\u002Fclasswise_iou.png`](originals\u002Fclasswise_iou.png)  \n> 复现脚本：[`plot-from-image\u002Fscripts\u002Fclasswise_iou_table.py`](plot-from-image\u002Fscripts\u002Fclasswise_iou_table.py)\n\n---\n\n## 风格图库 · Gallery\n\n---\n\n### 柱状图 Bar Charts\n\n#### `bar_paired_delta` — 配对增益柱\n\n> **来源**：MemEvolve: Meta-Evolution of Agent Memory Systems  \n> serif 字体，配对柱（baseline vs method），箭头标注增益，Y 轴各子图独立  \n> 参数文档：[`plot-from-data\u002Freferences\u002Fbar_paired_delta.md`](plot-from-data\u002Freferences\u002Fbar_paired_delta.md) · 脚本：[`plot-from-data\u002Fscripts\u002Fbar_memevolve.py`](plot-from-data\u002Fscripts\u002Fbar_memevolve.py)\n\n\u003Ctable>\u003Ctr>\n\u003Ctd align=\"center\">\u003Cb>原图\u003C\u002Fb>\u003C\u002Ftd>\n\u003Ctd align=\"center\">\u003Cb>复现\u003C\u002Fb>\u003C\u002Ftd>\n\u003C\u002Ftr>\u003Ctr>\n\u003Ctd>\u003Cimg src=\"originals\u002Fbar_memevolve.png\" width=\"320\">\u003C\u002Ftd>\n\u003Ctd>\u003Cimg src=\"repro\u002Fbar_memevolve_repro.png\" width=\"320\">\u003C\u002Ftd>\n\u003C\u002Ftr>\u003C\u002Ftable>\n\n\n---\n\n#### `bar_grouped_hatch` — 分组斜线填充柱\n\n> **来源**：SPICE: Self-Play In Corpus Environments  \n> LaTeX serif，分组柱 + 主方法白色斜线填充，柱顶数值（最优加粗），开口 L 形 spine  \n> 参数文档：[`plot-from-data\u002Freferences\u002Fbar_grouped_hatch.md`](plot-from-data\u002Freferences\u002Fbar_grouped_hatch.md) · 脚本：[`plot-from-data\u002Fscripts\u002Fbar_spice.py`](plot-from-data\u002Fscripts\u002Fbar_spice.py)\n\n\u003Ctable>\u003Ctr>\n\u003Ctd align=\"center\">\u003Cb>原图\u003C\u002Fb>\u003C\u002Ftd>\n\u003Ctd align=\"center\">\u003Cb>复现\u003C\u002Fb>\u003C\u002Ftd>\n\u003C\u002Ftr>\u003Ctr>\n\u003Ctd>\u003Cimg src=\"originals\u002Fbar_spice.png\" width=\"320\">\u003C\u002Ftd>\n\u003Ctd>\u003Cimg src=\"repro\u002Fbar_spice_repro.png\" width=\"320\">\u003C\u002Ftd>\n\u003C\u002Ftr>\u003C\u002Ftable>\n\n\n---\n\n### 折线图 Line Charts\n\n#### `line_confidence_band` — 置信区间训练曲线\n\n> **来源**：Reinforcement Learning via Self-Distillation  \n> LaTeX Computer Modern serif，EMA 平滑主线，浅色置信区间 `fill_between`，SDPO 加粗图例  \n> 参数文档：[`plot-from-data\u002Freferences\u002Fline_confidence_band.md`](plot-from-data\u002Freferences\u002Fline_confidence_band.md) · 脚本：[`plot-from-data\u002Fscripts\u002Fline_selfdistill.py`](plot-from-data\u002Fscripts\u002Fline_selfdistill.py)\n\n\u003Ctable>\u003Ctr>\n\u003Ctd align=\"center\">\u003Cb>原图\u003C\u002Fb>\u003C\u002Ftd>\n\u003Ctd align=\"center\">\u003Cb>复现\u003C\u002Fb>\u003C\u002Ftd>\n\u003C\u002Ftr>\u003Ctr>\n\u003Ctd>\u003Cimg src=\"originals\u002Fline_selfdistill_train.png\" width=\"320\">\u003C\u002Ftd>\n\u003Ctd>\u003Cimg src=\"repro\u002Fline_selfdistill_train_repro.png\" width=\"320\">\u003C\u002Ftd>\n\u003C\u002Ftr>\u003C\u002Ftable>\n\n\n---\n\n#### `line_training_curve` — 垂直断点 + 水平参考线\n\n> **来源**：DAPO: An Open-Source LLM RL System at Scale  \n> sans-serif，四边框，朝外刻度，水平参考线（独立蓝色），两条垂直断点虚线（与曲线同色）  \n> 参数文档：[`plot-from-data\u002Freferences\u002Fline_training_curve.md`](plot-from-data\u002Freferences\u002Fline_training_curve.md) · 脚本：[`plot-from-data\u002Fscripts\u002Fline_aime.py`](plot-from-data\u002Fscripts\u002Fline_aime.py)\n\n\u003Ctable>\u003Ctr>\n\u003Ctd align=\"center\">\u003Cb>原图\u003C\u002Fb>\u003C\u002Ftd>\n\u003Ctd align=\"center\">\u003Cb>复现\u003C\u002Fb>\u003C\u002Ftd>\n\u003C\u002Ftr>\u003Ctr>\n\u003Ctd>\u003Cimg src=\"originals\u002Fline_aime.png\" width=\"320\">\u003C\u002Ftd>\n\u003Ctd>\u003Cimg src=\"repro\u002Fline_aime_repro.png\" width=\"320\">\u003C\u002Ftd>\n\u003C\u002Ftr>\u003C\u002Ftable>\n\n\n---\n\n#### `line_loss_with_inset` — L 形 spine + 局部放大 inset\n\n> **来源**：SiameseNorm: Breaking the Barrier to Reconciling Pre\u002FPost-Norm  \n> LaTeX serif，L 形 spine + 轴端箭头，虚线放大框，黑色虚线连接右侧独立 inset 子图  \n> 参数文档：[`plot-from-data\u002Freferences\u002Fline_loss_with_inset.md`](plot-from-data\u002Freferences\u002Fline_loss_with_inset.md) · 脚本：[`plot-from-data\u002Fscripts\u002Fline_loss_inset.py`](plot-from-data\u002Fscripts\u002Fline_loss_inset.py)\n\n\u003Ctable>\u003Ctr>\n\u003Ctd align=\"center\">\u003Cb>原图\u003C\u002Fb>\u003C\u002Ftd>\n\u003Ctd align=\"center\">\u003Cb>复现\u003C\u002Fb>\u003C\u002Ftd>\n\u003C\u002Ftr>\u003Ctr>\n\u003Ctd>\u003Cimg src=\"originals\u002Fline_loss_inset.png\" width=\"320\">\u003C\u002Ftd>\n\u003Ctd>\u003Cimg src=\"repro\u002Fline_loss_inset_repro.png\" width=\"320\">\u003C\u002Ftd>\n\u003C\u002Ftr>\u003C\u002Ftable>\n\n\n---\n\n### 散点图 Scatter Plots\n\n#### `scatter_tsne_cluster` — t-SNE 聚类分布\n\n> **来源**：MemGen: Weaving Generative Latent Memory for Self-Evolving Agents  \n> LaTeX serif，7 类聚类，圆角注释框（统一深灰边 + 聚类色底），浅灰点线网格，四边框  \n> 参数文档：[`plot-from-data\u002Freferences\u002Fscatter_tsne_cluster.md`](plot-from-data\u002Freferences\u002Fscatter_tsne_cluster.md) · 脚本：[`plot-from-data\u002Fscripts\u002Fscatter_tsne.py`](plot-from-data\u002Fscripts\u002Fscatter_tsne.py)\n\n\u003Ctable>\u003Ctr>\n\u003Ctd align=\"center\">\u003Cb>原图\u003C\u002Fb>\u003C\u002Ftd>\n\u003Ctd align=\"center\">\u003Cb>复现\u003C\u002Fb>\u003C\u002Ftd>\n\u003C\u002Ftr>\u003Ctr>\n\u003Ctd>\u003Cimg src=\"originals\u002Fscatter_tsne.png\" width=\"320\">\u003C\u002Ftd>\n\u003Ctd>\u003Cimg src=\"repro\u002Fscatter_tsne_repro.png\" width=\"320\">\u003C\u002Ftd>\n\u003C\u002Ftr>\u003C\u002Ftable>\n\n\n---\n\n#### `scatter_broken_axis` — 折断 X 轴散点图\n\n> **来源**：Meta-Harness: End-to-End Optimization of Model Harnesses  \n> sans-serif 粗体标签，双面板折断 X 轴（0-50k | 115k\u002F200k），多 marker（★ ○ △ ◆ × ○），折断符仅底边  \n> 参数文档：[`plot-from-data\u002Freferences\u002Fscatter_broken_axis.md`](plot-from-data\u002Freferences\u002Fscatter_broken_axis.md) · 脚本：[`plot-from-data\u002Fscripts\u002Fscatter_break.py`](plot-from-data\u002Fscripts\u002Fscatter_break.py)\n\n\u003Ctable>\u003Ctr>\n\u003Ctd align=\"center\">\u003Cb>原图\u003C\u002Fb>\u003C\u002Ftd>\n\u003Ctd align=\"center\">\u003Cb>复现\u003C\u002Fb>\u003C\u002Ftd>\n\u003C\u002Ftr>\u003Ctr>\n\u003Ctd>\u003Cimg src=\"originals\u002Fscatter_break.png\" width=\"320\">\u003C\u002Ftd>\n\u003Ctd>\u003Cimg src=\"repro\u002Fscatter_break_repro.png\" width=\"320\">\u003C\u002Ftd>\n\u003C\u002Ftr>\u003C\u002Ftable>\n\n\n---\n\n### 雷达图 Radar Chart\n\n#### `radar_dual_series` — 双方法多维对比\n\n> **来源**：DoRA: Weight-Decomposed Low-Rank Adaptation  \n> sans-serif，正八边形虚线同心网格，DoRA 深绿粗线 vs LoRA 蓝色细线，数值标注白底，图例左上  \n> 参数文档：[`plot-from-data\u002Freferences\u002Fradar_dual_series.md`](plot-from-data\u002Freferences\u002Fradar_dual_series.md) · 脚本：[`plot-from-data\u002Fscripts\u002Fradar_dora.py`](plot-from-data\u002Fscripts\u002Fradar_dora.py)\n\n\u003Ctable>\u003Ctr>\n\u003Ctd align=\"center\">\u003Cb>原图\u003C\u002Fb>\u003C\u002Ftd>\n\u003Ctd align=\"center\">\u003Cb>复现\u003C\u002Fb>\u003C\u002Ftd>\n\u003C\u002Ftr>\u003Ctr>\n\u003Ctd>\u003Cimg src=\"originals\u002Fradar_dora.png\" width=\"320\">\u003C\u002Ftd>\n\u003Ctd>\u003Cimg src=\"repro\u002Fradar_dora_repro.png\" width=\"320\">\u003C\u002Ftd>\n\u003C\u002Ftr>\u003C\u002Ftable>\n\n\n---\n\n### `plot-from-image` 示例\n\n#### `classwise_iou` — 类别级结果表\n\n> **来源**：用户上传论文截图 https:\u002F\u002Fgithub.com\u002FTrae1ounG\u002Fpaper-plot-skills\u002Fissues\u002F1 \\\n> 纯表格式布局，双行结果 + 强弱高亮底色，按图片比例与文字排布直接复现  \n> 输入图片：[`originals\u002Fclasswise_iou.png`](originals\u002Fclasswise_iou.png) · 脚本：[`plot-from-image\u002Fscripts\u002Fclasswise_iou_table.py`](plot-from-image\u002Fscripts\u002Fclasswise_iou_table.py)\n\n\u003Ctable>\u003Ctr>\n\u003Ctd align=\"center\">\u003Cb>原图\u003C\u002Fb>\u003C\u002Ftd>\n\u003Ctd align=\"center\">\u003Cb>复现\u003C\u002Fb>\u003C\u002Ftd>\n\u003C\u002Ftr>\u003Ctr>\n\u003Ctd>\u003Cimg src=\"originals\u002Fclasswise_iou.png\" width=\"320\">\u003C\u002Ftd>\n\u003Ctd>\u003Cimg src=\"repro\u002Fclasswise_iou_repro.png\" width=\"320\">\u003C\u002Ftd>\n\u003C\u002Ftr>\u003C\u002Ftable>\n\n\n## Star History\n\n[![Star History Chart](https:\u002F\u002Fapi.star-history.com\u002Fsvg?repos=Trae1ounG\u002Fpaper-plot-skills&type=Date)](https:\u002F\u002Fwww.star-history.com\u002F#Trae1ounG\u002Fpaper-plot-skills&Date)\n","这个项目是一个用于复现和生成学术论文图表的AI工具箱。它提供了多种预设风格，包括柱状图、折线图、散点图和雷达图等，每种风格都从顶级会议论文中提取，具有很强的参考意义。用户可以通过两种方式使用这些风格：一种是直接填入数据生成图表，另一种是从图片复现图表。该项目支持自定义参数调整，并且能够自动分析比例、字体和配色，极大程度减少了绘图时的重复工作。适合需要在学术论文或研究报告中制作高质量图表的研究人员和技术人员使用。",2,"2026-06-11 02:45:23","CREATED_QUERY"]