Crystalis框架突破多视图可视化生成瓶颈，LLM成功率提升近9倍

当前大语言模型虽能生成单一图表，但在需要多个视图共享数据流并实现跨视图交互的协调多视图可视化（CMV）任务上仍面临挑战。数据转换、视觉编码和交互协调之间的紧密耦合常导致错误在组件间隐性传播。

来自arXiv的最新研究提出Crystalis框架，不再追求依赖模型能力、领域知识和用户专业知识的端到端分析质量，而是聚焦核心问题：如何让LLM可靠生成结构正确的CMV？该框架基于查询中心的CMV建模，将CMV分解为依赖图上的结构化查询，涵盖数据、可视化和交互三种组件类型，以及需求、规范和可执行对象三个抽象层级。

Crystalis采用两种互补机制：渐进成核沿依赖顺序垂直构建每个查询，语义退火则通过分层逻辑检查确保各层级查询间的横向一致性。在涵盖五个前沿LLM的12项任务基准测试中，Crystalis实现高达75%的端到端成功率，显著优于基于相同基础模型的智能编码基线（仅8.3%）。对12名从业者的用户研究进一步证实了该分解和迭代优化工作流程的实用性。

这项研究为复杂可视化任务的可靠生成提供了新的方法论，通过结构化抽象降低了LLM在跨组件协调任务中的错误传播风险。