本文作者分别来自香港理工大学以及字节跳动。共同第一作者许文鑫、卢锦伟来自香港理工大学。许文鑫是香港理工大学博士生，指导老师为张晨教授与魏骁勇教授。

数据要让人看懂，通常得先从数据库里查出来，再画成图。文本到可视化（Text-to-Vis）做的就是这件事：用户说出想看什么，系统去库里查询，再用图表把需要的数据展示出来。

你可能会觉得，现在的大模型已经非常强，这不过是小菜一碟。模型强是强，可需求得说清楚。通常，大多数用户没法一次把自己的需求表达完整。比如「把 2025 年 top-5 产品的月度营收画出来，按地区拆开」，听着已经很具体，可 top-5 按销售额还是按销量、退款算不算、数据库里到底有没有 2025 年的数据，这些都还没定。只出一次图，系统不会问，只会自己默默选定一种解释。

所以，要得到与用户真实意图相匹配的数据可视化，往往需要模型与用户进行多轮交互：缺的补上，含糊的问清，说错的改掉，一步步落到真正想看的那张图。这也是这项工作的研究背景。从适用性上看，这个场景要解决的是真实业务里的查数与出图。文生图在大模型里已经研究得很多，而企业用户有大量数据存在数据库里，要通过交互尽快把该看的内容锁定，这个意义会更大。

一旦把「需求往往说不完全」当成前提，现有研究就会同时碰到两个挑战。第一，现有基准数据集大多假设查询已经说清，而且很难评估开放的可视化输出，也就是同一句话，往往有不止一种合理画法。第二，现有方法还没法通过动态交互，主动把用户的真实意图问回来。查询不完美时，Text-to-Vis 更接近一种交互式的意图找回，而不只是一次出图。

针对这两个挑战，研究团队提出了VisInteract。这是一种面向不完美查询的动态交互式 Text-to-Vis 新范式。为了实现这种范式，团队发布了评测基准VisInteract-Bench，承认输入可以含糊、信息缺失甚至说错；同时提出基于蒙特卡洛树搜索的方法Vis-MCTS，让系统在查数、画图和追问之间分叉与回退，把真实意图问回来。

目前，该工作已被 NeurIPS 2026 接收为 Spotlight（292/30709 投稿）。

• 论文标题：VisInteract: Towards Dynamic Interactive Text-to-Visualization under Imperfect Queries
• 论文地址：//arxiv.org/abs/2609.15182
• 代码地址：//github.com/wxxv/VisInteract

研究背景

带着前面的问题来看已有研究：在方法上，Text-to-Vis 从把自然语言翻译成 Vega-Lite 来画数据可视化，走到大模型写代码，再到多智能体流水线；评测上，NVBench、VisEval、MultiVis-Bench 等基准也把样本从几千扩到几万。但这些工作几乎都默认，用户那句话已经把真实意图说全了。系统要么一轮画完，要么等用户自己喊「这里改一下」，很少主动去问：这句话里缺了什么、有几种读法、哪一个字段根本不存在。

论文里还有一个更具体的交互例子。用户希望用饼图排出加州 K-12 入学人数最多的 15 个县，并指定要 2025 年的数。可数据库里并没有 2025 年的数据，用户真正想要的也不是饼图，而是按面积从大到小排的柱状图。一次出图的系统很容易在这些地方「自作主张」，交出一张看起来很专业、却对不上真实意图的图。

挑战一：现有基准既不刻画不完美输入，也很难评价开放输出。输入端，真实查询常常带有歧义、信息缺失或事实错误，但现有基准大多是单轮的，或者只提供事先写好的静态反馈。相邻的 Text-to-SQL 领域已经开始做动态澄清，而 Text-to-Vis 却还缺一个对应基准，而且还要额外处理看图反馈。输出端同样更刁：SQL 的结果集对不对，至少有一把相对干净的尺子；但是在 Text-to-Vis 中，同一句分析意图，柱状图、折线图、颜色怎么映射，往往都能算「一种对」。用精确匹配去罚「对了但画法不同」的图，会把「需求满不满足」和「实现好不好看」混为一谈。

挑战二：现有方法无法通过动态交互，主动找回用户意图。流水线方法一轮画完，不再跟用户说话；面向歧义的方法只枚举一组固定候选；基于反馈的变体，也多半是等用户自己改，并且只沿一条轨迹修。它们都很难从一开始的错误假设里退回来，更难系统地探索设计空间，最终无法收敛到用户真正想看的图。

这两个缺口，正是 VisInteract 要补的：评测得承认输入不完美、输出开放；方法得能分叉、能回退，而不是一条路走到黑。

图 1：三种 Text-to-Vis 范式对比。左边默认查询已经说清，中间只沿一条轨迹修图；VisInteract 则通过多轮交互，从不完美查询里把真实意图问回来。

基准构建

为了应对第一个挑战，论文发布了 VisInteract-Bench。就其所知，这是第一个面向动态交互式 Text-to-Vis 的基准：1098 条样本、11 个数据库、75 张表，覆盖体育、娱乐、教育、金融、医疗等 7 个领域，每条样本平均约 4.7 个关键特征。输入是事后注入故意不完美的自然语言查询，大约 61% 的样本带歧义，69% 带事实错误；交互是多轮、多模态的，而且会跟着系统输出变化，不是事先写好的剧本。如表 1 所示，现有基准要么假设查询已经说清，要么只提供静态交互；VisInteract-Bench 则同时覆盖不完美查询、动态交互和多模态反馈。

表 1：现有 Text-to-Vis 基准对比。VisInteract-Bench 同时覆盖动态交互、多模态反馈和不完美查询。

VisInteract-Bench 还设计了模拟用户的 User Agent。它知道标准答案，包括关键特征、参考代码和参考图，但不主动交底；系统如果直接索要意图，它会拒绝。文字追问只回答问到的那几条特征，看图反馈只说哪里不对，不说怎么改。文字负责问清过滤、聚合这类数据层含糊，看图负责抓住代码看起来没错、画出来却出问题的地方。

输出端的评测采用的是基于 LLM-as-Judge 的双视角评估。代码裁判检查程序是否满足每条关键特征，图表裁判则检查渲染结果是否满足每条关键特征。两边都过，才算这条特征过关。主指标是 Task Score：一个样本的全部关键特征都满足，才算这个任务做成。该评测的设计看的是关键特征有没有满足，而不是生成结果是否和参考图一模一样，保证了 Text-to-Vis 评估的开放性。

核心方法

为了应对第二个挑战，VisInteract 把动态交互式 Text-to-Vis 建模成一个部分可观测的序贯决策：系统能看到不完美查询和数据库，却看不到用户真正的意图，只能通过文字追问和看图反馈拿到间接证据。单链路的 ReAct 很难处理这件事——它一旦在第一步走错，后面基本只能将错就错。论文因此选择蒙特卡洛树搜索作为骨架，提出 Vis-MCTS。

但直接把下棋用的 MCTS 搬过来，会撞上三堵墙。第一，合法走法是无限的：一步可以是任意一条 SQL、一段画图代码，或一个自然语言问题，把所有孩子节点展开，树会在第一步炸开。第二，问到的话不能只服务一条路：经典搜索里每条路径各问各的，同一句「按销售额排」可能被反复消耗。第三，一个总分会连坐：用户说「数是对的，图的类型错了」只给 2 分，如果把这 2 分均匀回传，写对 SQL 的那一步会替画错的图背锅。

Vis-MCTS 的整体框架主要由三部分组成，分别对应这三堵墙。第一部分是带渐进加宽的选择与扩展。系统在查 SQL、画 Altair 图、向用户提问和结束这四类动作之间分叉；一个节点被访问得越多，才允许多长出几个分叉，并且设了硬上限。同时用多样性提示和去重，避免模型在同一个上下文里反复写出几乎一样的代码。第二部分是带跨路径记忆的模拟过程。一条分支上问到的澄清、看到的批评，会被写成两份全局记忆：所有文字问答，以及所有看图打分与批评。一条路上问清了，整棵树都能用，而不必为同一句澄清重复付出成本。第三部分是维度感知的奖励分解。用户给出的一个满意度分数，会被拆成数据是否忠实、视觉设计是否对、意图是否对齐，再分别回传到 SQL 节点、画图节点和追问节点。拆完还会锚定回原来的用户分数，避免模型打分的习惯把总分漂走。

论文中的一个例子是：用户反馈「我要的是按面积从大到小排的柱状图」，满意度只有 2 分。拆开之后，数据维度是 10 分，图表设计是 3 分，意图对齐是 2 分。查数那一步拿到更高回报，画错图类型的那一步被单独压低。若是均匀回传，三步都会拿到同一个低分，对的 SQL 就被错的图拖下水。

图 2：Vis-MCTS 方法总览。搜索在查数、画图和追问之间分叉，跨路径共享反馈，再按数据、设计和意图回传分数。

实验结果

论文在 VisInteract-Bench 上对 Vis-MCTS 进行了评估，骨干模型分别使用 Qwen3.5-flash 和 Gemini-3.1-flash-lite-preview。对照既包括不与用户交互的方法 Self-Correction LLM 和 nvAgent，也包括会交互的方法 ReAct、Best-of-N ReAct，以及 MultiVis-Agent。所有方法共用对齐后的工具和 User Agent，差别只在搜索方式。

结果显示，Vis-MCTS 在两个骨干，以及代码、图表、Merge 全部口径上都取得了最好成绩，图的可渲染率均为 100%，整体表现非常稳定。

表 2：VisInteract-Bench 上的主实验结果。蓝色为最优，浅蓝为次优。

具体来看，在最严格的 Merge Task Score 上，也就是代码和图表的所有关键特征都要满足时，Vis-MCTS 在 Qwen 上达到 51.46%，在 Gemini 上达到 57.19%。相对最强交互基线 Best-of-N，两端分别高出 13.40% 和 16.27%；相对不交互的自我纠错（7.38% / 10.66%），任务成功率超过 5 倍。代码视角的 Task Score，也从最强基线的 50.00% / 54.79% 提升到 61.66% / 67.21%。

同一笔 10 次预算，把 10 条链路各跑各的，收益并不稳：Qwen 上 Best-of-N 比单条 ReAct 高约 9%，Gemini 上却只高约 1.3%。树搜索的好处是另一件事：好的前缀可以复用，走死的路可以退回，问过的话整棵树都能用。

论文中的消融实验也支持了这套设计的有效性。以 Qwen 的 Merge Task Score 为例，完整模型为 51.46%；一旦去掉视觉反馈，分数掉到 24.24%，下降最明显，因为搜索失去了终点信号；去掉跨路径记忆后为 34.06%；去掉奖励分解后为 43.26%；去掉文字追问后为 44.08%。这说明 Vis-MCTS 的提升并不来自某个单独技巧，而是来自「分叉回退 + 交互共享 + 按错因回传」这一整套机制的协同作用。

表 3：Vis-MCTS 各模块消融（骨干为 Qwen3.5-flash）。

由于评测使用了大模型裁判，论文还做了交叉验证：另换一个大模型家族的 GPT 裁判，并加入人工专家。如图所示，两两 Cohen's Kappa 与三者的 Fleiss' Kappa 都超过 0.81 的「几乎完全一致」线。Qwen 裁判和人的对齐程度，与 GPT 和人的对齐程度相当，说明表中的差距并不是某一家裁判的偏好。

图 3：裁判一致性。两两 Cohen's Kappa 与三者 Fleiss' Kappa 均超过 0.81。

以下是 Vis-MCTS 的一个交互案例。面对同时带有事实错误和图表类型不匹配的不完美查询，系统通过追问和看图反馈逐步收敛，维度感知的奖励分解也只单独压低了画错图的那一步。

图 4：Vis-MCTS 的交互案例。系统通过追问和看图反馈，从不完美查询逐步收敛到用户真正想要的图。

总结与展望

这项工作的价值，不只是提出一个新的画图方法，更在于同时补上评测和方法两端：Text-to-Vis 不应只是「一句话进、一张图出」，而应是从不完美查询里找回真实意图。VisInteract-Bench 让评测承认输入可以含糊、缺失甚至说错；Vis-MCTS 则决定什么时候问、问什么，以及用户看完图摇头之后，下一步该改数据、改设计，还是改自己对意图的理解。对企业用户来说，大量数据本来就在数据库里，通过多轮交互把该看的内容尽快锁定，比一次性出图更接近日常工作。

当然，模拟用户的 User Agent 比真人的反馈理想，多轮搜索也更贵。换句话说，这项工作并不是终点，但它让画图系统更明确地拥有了「先问清楚，再把图画对」的中间过程。未来如果进一步结合更真实的用户反馈、更丰富的可视化语法，系统或许不仅能交出更准确的图，还能更好地解释「为什么这样画」。