DVQA 数据集是一个检测条形图理解能力的问答框架，与 VQA 相比，我们的方法可以处理特定条形图中独特的问题和答案，研究提出了两个高效的基线模型，其能够从科学出版物、互联网文章、商业报告等多种领域中自动提取数值和语义信息，这项工作将使算法能够自动从大量的条形图中提取信息。

Jan, 2018

本文介绍了Data2Vis：一种神经翻译模型，可自动生成给定数据集的可视化。通过将数据规范映射到声明语言（Vega-Lite）中的可视化规范，将可视化生成作为序列到序列翻译问题。为此，我们训练了一个多层基于注意力的长期短期记忆（LSTM）单元的循环神经网络（RNN）模型在可视化规范语料库上，以生成与手动创建的可视化相媲美但时间仅为其一小部分的可视化。

Apr, 2018

通过使用对话方式构建数据可视化，本研究提出了一种名为CoVis的新任务，并通过使用多模态神经网络MMCoVisNet来回答与数据可视化相关的查询，实验证明MMCoVisNet优于现有基准并达到了最先进的性能。

Jul, 2023

Prompt4Vis是一种利用大型语言模型和上下文学习来增强从自然语言生成数据可视化查询的性能的新型框架，通过在NVBench数据集上进行广泛实验，明显优于最先进的RGVisNet约35.9%和71.3%。

Jan, 2024

使用大型语言模型进行自然语言到可视化的转换任务，在分析如何将结构化表格数据转化为LLM所需的顺序文本提示时，发现将结构化表格数据转化为程序是有效的，并且在制定提示时考虑表格模式是必要的。同时，通过对比实验发现，LLM在NL2Vis任务中优于基线方法，并且推理模型在提供少量示范的情况下通过上下文学习能够进一步改善性能，时而甚至超过微调模型。最后，分析LLM在NL2Vis任务中失败的情况，并提出了循环更新的策略，通过链式思维、角色扮演和代码解释等方法来迭代更新结果，实验证实了这种迭代更新的有效性，具有广阔的未来研究潜力。

Apr, 2024

NL2VIS研究领域涉及将自然语言查询解释并将其转化为准确代表底层数据的可视化，为非专家用户大大便利了数据探索；本文提出了V-RECS，首个具有解释、标题和进一步数据探索建议的基于LLM的视觉推荐系统，通过细化小型模型的方法解决了强大LLMs的计算、可控性和成本问题，使用Chain-of-Thoughts（CoT）技术来生成有洞察力的可视化叙述来辅助LLM的指导，V-RECS在性能上与GPT-4相当，但成本更低，该研究通过发布V-RECS帮助可视化设计师整个可视化生成过程。

Jun, 2024

提出了一种名为VisEval的新的NL2VIS基准，该基准通过引入高质量大规模数据集并倡导综合自动化评估方法，揭示了目前研究中普遍存在的挑战并为未来的进一步发展提供了重要的见解。

Jul, 2024

本研究评估了四种公开可用的大型语言模型（GPT-4、Gemini-Pro、Llama3和Mixtral）的能力，探究它们在存在不确定性的情况下理解话语、识别相关数据背景和可视化任务的能力。研究结果表明，尽管语言模型对话语中的不确定性较为敏感，但它们能够提取相关数据背景，不过在推断可视化任务方面存在困难。基于这些结果，我们指出了未来在利用语言模型生成可视化方面的研究方向。

Jul, 2024

本研究探讨了将大型语言模型（LLMs）集成到可视分析系统中的方法，以通过直观的自然语言交互提升其能力。关键发现是LLMs能够改变可视分析的传统流程，提供新的多模态交互机会，同时也指出了当前使用LLMs在可视分析任务中面临的重要挑战。

Sep, 2024

本研究解决了大型语言模型（LLMs）在解读各种数据可视化（如时间序列、直方图等）中的能力不足的问题。通过构建一个新颖的合成数据集并使用多模态文本提示评估多种先进模型，研究展示了LLMs识别和理解视觉数据的能力，揭示出其在不同视觉数据解释方面的优缺点，从而为未来的研究提供了基础基准。

Sep, 2024