摘要
大型语言模型（LLMs）能够生成单个图表，但协调多视图可视化（CMVs），即视图共享数据流和跨视图交互，仍然不可及。数据转换、视觉编码和交互协调之间的紧密场级耦合导致一个组件中的错误会静默地使其他组件失效。我们不追求依赖模型能力、领域知识和用户专业知识的端到端分析质量，而是关注一个基础性问题：LLMs能否可靠地产生结构正确的CMVs？我们提出了Crystalis，一个基于查询中心的CMV建模框架，它将CMV分解为一个跨越三种组件类型（数据、可视化、交互）和三种抽象层次（需求、规范、可执行对象）的依赖图上的结构化查询。
该框架有两个互补机制：渐进成核机制从需求到对象沿着依赖顺序垂直地具体化每个查询，而语义退火机制通过分层逻辑检查在每个层次上强制查询之间的横向一致性。在针对五个前沿LLMs的12项基准测试中，Crystalis实现了高达75%的端到端成功率，显著优于基于同一基础模型的代理编码基线（8.3% E2E）。此外，针对12位从业者的用户研究验证了该分解和迭代精炼工作流的可用性。
博主点评： Crystalis的框架为多视图可视化的生成提供了一种创新的方法，尤其是在确保各个视图之间的协调性和一致性方面。其通过结构化查询和多层次抽象的策略，不仅提升了生成的准确性，还增强了用户的操作体验，是当前领域中的一个重要进展。希望在未来的研究中，能够进一步优化其算法性能和适用范围。