论文信息
| 项目 | 内容 |
|---|---|
| 中文标题 | VisCoder2：构建多语言可视化编码智能体 |
| 英文标题 | VisCoder2: Building Multi-Language Visualization Coding Agents |
| 作者 | Yuansheng Ni, Songcheng Cai, Xiangchao Chen, Jiarong Liang, Zhiheng Lyu, Jiaqi Deng, Ping Nie, Kai Zou, Fei Yuan, Xiang Yue, Wenhu Chen |
| 所属机构 | 滑铁卢大学、卡内基梅隆大学、韩国科学技术院（KAIST）、Netmind.ai、独立研究者 |
| arXiv 编号 | 2510.23642 |
| 发表会议 | ICLR 2026 |
| 项目主页 | VisCoder2 |
| 代码与模型仓库 | https://huggingface.co/TIGER-Lab |
1. 摘要部分
翻译
大型语言模型（LLMs）近期已使编码智能体能够生成、执行和修正可视化代码。然而，由于语言覆盖有限、执行不可靠以及缺乏迭代修正机制，现有模型在实际工作流中经常失败。进展受到狭窄的数据集和基准测试的限制，这些资源强调单轮生成和单语言任务。为应对这些挑战，该研究引入了三个互补资源来推进可视化编码智能体的发展。VisCode-Multi-679K 是一个大规模监督数据集，包含 67.9 万个已验证的可执行可视化样本和多轮修正对话，覆盖 12 种编程语言。VisPlotBench 是一个用于系统评估的基准测试，包含可执行任务、渲染输出以及初始生成和多轮自调试的评估协议。最后，该研究提出了 VisCoder2，一个在 VisCode-Multi-679K 上训练的多语言可视化模型家族。实验表明，VisCoder2 显著优于强大的开源基线，并接近 GPT-4.1 等专有模型的性能，通过迭代自调试进一步获得提升，在 32B 规模下整体执行通过率达到 82.4%，尤其在符号型或编译器依赖型语言（如 LilyPond、LaTeX 和 Asymptote）上表现突出。
解读
该摘要明确指出了现有可视化代码生成领域的三个核心瓶颈：语言覆盖面窄、生成代码的可靠性差、缺乏类似人类程序员的"编写-运行-调试"闭环。该论文的贡献并非单一模型，而是"数据集 + 基准 + 模型"三位一体的完整体系。其中，VisCode-Multi-679K 解决了训练数据来源单一和不可执行的问题，VisPlotBench 为后续研究提供了标准化的评估考场，而 VisCoder2 则是在这套体系上训练出的具体成果。值得关注的是，该研究不仅关注 Python 这类通用语言，还重点攻克了 LilyPond（音乐排版）和 Asymptote（矢量绘图）等符号型语言，这类语言在以往工作中极少被覆盖。
2. 引言部分（1. INTRODUCTION）
翻译
大型语言模型（LLMs）的最新进展使得编码智能体（Jimenez 等人，2023；Yang 等人，2024b）能够生成可视化代码、执行代码，甚至根据反馈修正其输出（Robeyns 等人，2025；Li 等人，2025b）。这些智能体越来越多地应用于数据分析和报告生成工作流，其中生成图形和图表是核心任务（Galimzyanov 等人，2024）。
虽然现有模型能够尝试这些步骤，但在实践中经常失败：生成的代码崩溃、产生不正确的可视化效果，或在编程语言和库之间缺乏灵活性（Goswami 等人，2025）。构建更可靠的可视化编码智能体需要超越单轮生成的资源，支持多语言覆盖、运行时验证以及通过执行反馈进行迭代修正（Yang 等人，2023）。然而，当前的数据集和基准测试缺乏这些能力，限制了能够有效协助真实世界可视化工作流的智能体的发展（Ni 等人，2025）。
可视化对于推进这些智能体而言具有独特的价值。与通用代码生成（Li 等人，2022）不同，可视化任务产生清晰且可解释的输出：执行过程和渲染后的图形提供了即时信号，表明代码是否成功执行以及输出是否与预期结果一致（Ni 等人，2025）。此外，可视化需要跨领域推理，结合数据处理、绘图语法和设计惯例的知识（Satyanarayan 等人，2016）。至关重要的是，真实世界的工作流本质上是迭代的------分析师很少在第一次尝试时就能生成完美的可视化效果，而是根据运行时行为和视觉检查来优化代码（Goswami 等人，2025）。这种自然的反馈循环使得可视化任务特别适合开发能够生成和自我修正代码的智能体（Chen 等人，2023）。
尽管有这种潜力，现有的可视化代码生成资源范围仍然狭窄。大多数数据集专注于单一语言，如 Python 或 Vega-Lite（Galimzyanov 等人，2024；Luo 等人，2021），并且包含许多无法可靠执行的代码片段（Ni 等人，2025）。它们缺乏经过验证的、可执行的样本，也没有提供训练模型进行迭代调试所需的多轮交互（Ni 等人，2025）。现有的基准测试也存在显著缺陷：它们强调单轮生成，不支持跨语言的系统评估或多轮修复场景（Yang 等人，2023）。因此，当前模型在无法反映真实世界可视化开发复杂性的设置下被测试（Goswami 等人，2025）。
解读
引言部分清晰地勾勒出了该研究的动机链条。作者指出，尽管大模型在代码生成上进步迅速，但在"可视化"这个特定子任务上，现有系统距离实用仍有较大距离。其核心论点是：可视化任务天然具备"闭环"特性------代码运行后产生的图像能直观反馈对错，这恰恰是训练智能体自我修正的绝佳场景。然而，过往的数据集（如 nvBench）和基准（如 MatPlotBench）要么只支持单语言，要么只评估一次生成的结果，完全忽视了实际工作中反复调试的常态。因此，该研究试图填补的正是"多语言覆盖"与"迭代纠错能力"之间的空白。
3. 相关工作（2. RELATED WORK）
翻译
用于可视化代码生成的 LLM。 大型语言模型在根据自然语言描述生成可视化代码方面已展现出令人鼓舞的结果（Yang 等人，2024c；Chen 等人，2024；Galimzyanov 等人，2024）。大多数现有方法专注于单一语言，特别是使用 matplotlib 或 plotly 的 Python（Wu 等人，2024；Yang 等人，2024a），而有些则探索使用 Vega-Lite（Xie 等人，2024）和 HTML（Li 等人，2025a）的基于规范的方法。然而，这些系统面临显著限制：它们通常仅支持一种或两种编程语言，缺乏系统的执行验证，并且经常生成无法可靠运行的代码（Ni 等人，2025；Sun 等人，2025）。更广泛领域中的多语言代码生成工作（Lozhkov 等人，2024；Muennighoff 等人，2023）提供了广泛的语言覆盖，但缺乏可视化任务所需的专业知识，特别是对于像用于数学绘图的 LaTeX 或用于音乐记谱的 LilyPond 等特定领域语言。该研究的 VisCode-Multi-679K 数据集通过提供跨 12 种编程语言的经过验证的、可执行的可视化样本，实现了具有系统质量控制和执行验证的鲁棒多语言可视化代码生成，从而解决了这些局限性。
自调试与编码智能体。 最近编码智能体的进展强调了迭代开发能力，即模型可以通过多轮反馈生成、执行和优化代码（Jimenez 等人，2023；Yang 等人，2024b）。自调试方法利用执行轨迹、错误消息和运行时结果来指导自动代码修正（Chen 等人，2023；Madaan 等人，2023；Zheng 等人，2024；Zeng 等人，2025）。基于智能体的系统通过整合规划、工具使用和协作调试工作流进一步扩展了这些能力（Grishina 等人，2025；Li 等人，2024；Zhang 等人，2025）。虽然这些方法在通用编程任务中展现出前景，但它们在可视化领域的应用仍未得到充分探索。现有的可视化系统如 LIDA（Dibia，2023）整合了一些反馈机制，但缺乏可靠跨语言部署所需的系统化多轮修正能力。该研究的工作独特地将多语言可视化生成与系统性自调试相结合，使 VisCoder2 能够在不同编程环境中迭代优化代码，在执行验证至关重要的符号语言中表现尤为出色。
可视化基准测试。 现有的可视化基准测试主要集中在 Python（Galimzyanov 等人，2024；Chen 等人，2024；Yang 等人，2024c；Rahman 等人，2025）或声明式规范如 Vega-Lite 和 HTML（Luo 等人，2021；2025；Li 等人，2025a）上，限制了其在真实世界数据分析中使用的多样化编程环境中的适用性。虽然像 the-stack-v2（Lozhkov 等人，2024）这样的通用代码数据集提供了广泛的语言覆盖，但它们缺乏可视化特定内容和执行验证。大多数可视化基准测试仅评估单轮生成，未能捕捉实际可视化开发特征的迭代调试工作流（Ni 等人，2025；Seo 等人，2025）。没有多语言支持和多轮评估，现有基准测试无法评估模型是否能够处理真实世界可视化任务所必需的不同工具链和迭代工作流。VisCode-Multi-679K 通过提供首个跨 12 种编程语言的执行验证的大规模可视化代码数据集来解决这些局限性，而 VisPlotBench 则实现了对多种编程语言中可视化任务的初始生成和多轮自调试能力的系统评估。
解读
在相关工作部分，作者系统梳理了三条技术脉络。第一，在可视化代码生成上，过往工作（如 LIDA、MatPlotBench）虽然证明了 LLM 能写绘图的代码，但基本被绑定在 Python 生态中，对于 R 语言、C++ 甚至乐谱排版语言无能为力。第二，自调试技术虽已在通用代码生成（如 OpenCodeInterpreter）中验证有效，但很少被系统性地应用到可视化领域；可视化特有的"执行-渲染-视觉比较"反馈回路并未被充分利用。第三，现有的可视化基准（如 nvBench 2.0）缺乏多语言和多轮调试的评估维度。作者的贡献正是将这三条脉络融合，填补了"多语言可视化自调试智能体"这一交叉空白。
4. VisCode-Multi-679K：指令微调数据集（3. VISCODE-MULTI-679K）
（注：本节原文包含大量用于构建数据集的提示词模板和代码示例，此处翻译核心描述部分，数据分布及管道细节在解读中展开。）
翻译
该研究提出 VisCode-Multi-679K，一个用于跨 12 种编程语言的可视化代码生成和反馈驱动修正的监督指令微调数据集。该数据集支持鲁棒的多语言代码生成，并通过多轮监督实现迭代优化，与交互式可视化工作流的需求相一致。
VisCode-Multi-679K 统一了两种互补的监督来源。第一种是从开源代码库中提取的跨 12 种编程语言的大量可执行可视化代码集合，涵盖不同的图表类型、库和真实世界使用模式。每个样本都经过运行时执行验证并配对其渲染输出，确保多语言代码生成的可靠监督。第二种来源是来自 Code Feedback 数据集（Zheng 等人，2024）的 6.6 万条多轮对话，它们提供了基于执行反馈修正错误代码的训练信号。尽管这些对话并非专门针对可视化，但它们对于在迭代工作流中建模真实的自我修正行为至关重要。
该数据集的构建管道包括四个阶段：基于库的过滤、代码块提取、运行时验证和指令生成。
从公共代码库中提取代码。 该研究利用三个互补的开源语料库：the-stack-v2（Lozhkov 等人，2024）、svg-diagrams（Rodriguez 等人，2025）和 CoSyn-400K（Yang 等人，2025b；Deitke 等人，2024）。对于 the-stack-v2，研究者应用基于库的过滤器识别约 530 万个可视化代码候选，并使用 GPT-4.1-mini 提取独立的绘图块。对于 svg-diagrams，通过正则表达式过滤保留约 7.9 万个候选块。对于 CoSyn-400K，选择了 40.8 万个跨 8 种语言的可视化片段。随后，每个候选块在隔离的 Jupyter 环境中运行以验证可执行性，只保留成功生成有效图像文件的样本。最终，从 the-stack-v2 获得 24.5 万个验证脚本，从 svg-diagrams 获得 4.3 万个，从 CoSyn-400K 获得 32.2 万个，总计 61.3 万个样本。
指令生成。 为了使模型能够从结构化的代码特征和渲染的视觉输出中学习，研究者使用 GPT-4.1 为每个验证样本生成自然语言指令。每条指令被结构化为五个组成部分：（1）简要的设置描述；（2）数据或视觉元素的描述；（3）数据块或数据预览；（4）高级别的输出描述；（5）样式描述。这些组件被组装成一个固定的模板，确保了跨来源和语言的一致提示结构。
多轮指令遵循对话。 该数据集还包含来自 Code-Feedback 的超过 6.6 万条多轮对话，涵盖 Python、HTML、JavaScript、R 等语言的编程任务。这些对话提供了必要的监督，用于训练模型基于运行时信号修正错误代码，并进行迭代交互推理。
解读
VisCode-Multi-679K 是整篇论文的基石，其构建策略极具匠心。首先，数据来源的多样性是核心亮点：the-stack-v2 提供了真实世界代码的野性，CoSyn-400K 提供了干净整洁的合成数据以覆盖小众语言，svg-diagrams 则针对矢量图进行补充。这种混合策略保证了模型既懂实际工程场景，又能学到长尾的符号语言。其次，严格的"运行时验证"环节大幅提升了数据质量------只保留真正能跑出图像的代码，这直接解释了为什么 VisCoder2 的执行通过率远高于基线模型。最后，多轮对话数据的引入，相当于在训练阶段就为模型注入了"调试基因"，这是后续自调试能力能够见效的前提。下表展示了最终数据集中各语言的具体分布：
| 语言 | 样本数量 | 主要来源 |
|---|---|---|
| Python | 186,954 | the-stack-v2 + CoSyn |
| HTML | 135,230 | the-stack-v2 + CoSyn |
| LaTeX | 124,039 | CoSyn |
| SVG | 46,621 | svg-diagrams + CoSyn |
| JavaScript | 28,807 | the-stack-v2 |
| Asymptote | 22,539 | CoSyn |
| C++ | 16,776 | the-stack-v2 |
| R | 13,437 | the-stack-v2 |
| Mermaid | 13,381 | CoSyn |
| LilyPond | 12,093 | CoSyn |
| Vega-Lite | 6,790 | CoSyn |
| TypeScript | 6,315 | the-stack-v2 |
5. VisPlotBench：多语言可视化编码智能体基准（4. VISPLOTBENCH）
翻译
VisPlotBench 是一个用于跨 8 种语言评估可视化编码智能体的基准测试。与先前专注于单一语言或规范风格的工作不同，VisPlotBench 涵盖了命令式库、声明式语法、基于标记的格式和符号表示法，为评估初始代码生成和多轮自调试提供了标准化协议。
VisPlotBench 包含 888 个跨 8 种语言和 13 个视觉类别的任务。其分类体系涵盖了条形图、折线图、散点图等常见家族，同时增加了极少被表征的类别，如层次结构、音乐和网络与流图。每个任务结合了自然语言指令、可执行代码和渲染输出，支持基于执行的评估。凭借其"执行-渲染-评分"协议和多轮自调试循环，VisPlotBench 提供了首个用于跨语言和任务类型评估可视化编码智能体的系统性基准。
数据收集与筛选。 研究者从公开示例、库文档和跨 8 种编程语言的高质量代码片段中收集了 888 个可执行任务。每个候选脚本在隔离的运行时中执行，只有成功生成有效图像的任务被保留。标注者随后审查验证后的配对，移除低质量项，并为每个剩余任务标注视觉类别和子类型。
任务构建。 每个 VisPlotBench 任务将验证后的代码-图像对与结构化的自然语言指令相结合。采用五部分模式：设置 → 绘图指令 → 数据指令 → 任务描述 → 样式描述。设置、绘图指令和数据指令为每种语言单独编写，以捕捉真实使用情况。任务描述和样式描述使用 GPT-4.1 生成。
评估协议。 VisPlotBench 采用标准化的"执行-渲染-评分"流程。评估指标包括：执行通过率 （检查代码是否无错误运行并生成有效可视化）、任务得分 （使用 LLM 评判指令遵循情况）和视觉得分（评估生成输出与参考输出之间的感知相似性）。为评估迭代优化能力，VisPlotBench 包含多轮自调试协议，未解决的任务最多可进行三轮修正。
解读
VisPlotBench 的设计弥补了过往基准（如 PandasPlotBench、nvBench）的两个关键缺失：多语言覆盖 和多轮评估。该基准特意选取了 8 种在语法范式上差异巨大的语言，从 Python（命令式）到 Vega-Lite（声明式），再到 LilyPond（领域特定符号语言）。这种设计能够全面检验模型对不同语法范式的适应能力。在评估指标上，不仅关注"跑不跑得通"（执行通过率），还引入 GPT 作为裁判来评判"画得对不对"（任务得分）和"像不像"（视觉得分）。多轮自调试协议则通过模拟最多三轮的"生成-报错-修改"循环，考察模型利用错误日志进行修复的能力，这比单纯评估一次生成的准确率更具实际意义。
6. 实验设置（5. EXPERIMENT SETUP）
翻译
训练设置。 该研究在四个参数规模（3B、7B、14B 和 32B）上微调了 Qwen2.5-Coder-Instruct（Hui 等人，2024）。所有模型训练 3 个 epoch，学习率为 5×10⁻⁶，热身比率为 0.05，并使用余弦调度器。在 8 张 H100 GPU 上以 bfloat16 精度进行全参数微调，总批量大小为 64。
评估设置。 所有评估均在 VisPlotBench 上使用标准化协议进行。报告三个指标：执行通过率、任务得分和视觉得分。模型还在自调试协议下进行测试，基于执行反馈进行最多三轮修正。
解读
实验设计体现了严谨的对比逻辑。选择 Qwen2.5-Coder 作为基座模型，是因为它是当时开源社区中多语言代码能力较强的模型。训练规模从 3B 到 32B 的覆盖，使得研究者可以系统评估数据集在不同参数量下的有效性。全参数微调而非 LoRA 等轻量级微调，表明研究目的是充分激发基座模型的可视化代码生成潜能。评估时，同时对比了同规模的开源模型（如 DeepSeek-Coder）和闭源商业模型（GPT-4.1），这有助于客观定位 VisCoder2 的实际水平。
7. 主要结果（6. MAIN RESULTS）
翻译
整体比较。 专有模型仍然更强。GPT-4.1 达到 63.4% 的整体通过率，是参考模型中最高的，GPT-4.1-mini 紧随其后。两者在 Vega-Lite、SVG 和 HTML 等标准化声明式或标记语言上表现强劲，均高于 84%。相比之下，指令微调的开源模型落后较多。在 7B 规模下，Qwen2.5-Coder 仅达到 51.2% 的整体通过率，在 LaTeX 上低于 30%，在 LilyPond 上仅为 5.5%。之前的 VisCoder 变体提升了 Python 性能，但未能跨语言泛化。这些结果突显了专有模型与开源模型之间的显著差距。
跨语言差异。 不同可视化语言之间的性能差异显著。Vega-Lite 和 HTML 对大多数模型接近饱和，Python 随规模扩大稳步提升。相比之下，符号型和编译器依赖型语言仍然最困难。即使是 GPT-4.1 在 LilyPond 上也低于 45%，在 Asymptote 上低于 25%。这种不均衡的格局表明，符号语法的进步是可靠多语言可视化的关键瓶颈。
VisCoder2 优势。 在所有规模上，VisCoder2 始终优于同等规模的开源基线。在 32B 规模下，它将整体执行通过率相比 Qwen2.5-Coder 提高了约 15 个百分点，达到了与 GPT-4.1 相当的水平。总体而言，VisCoder2 是第一个在可执行可视化任务上与专有模型可靠性相匹配的开源模型。
自调试的效果。 迭代修正持续提升跨模型家族和规模的执行可靠性。专有模型受益显著，VisCoder2 也遵循相同趋势：在更大规模下，启用自调试后整体执行率提升近十个百分点。这种效果在符号型和编译器依赖型语言（如 LilyPond、LaTeX 和 Asymptote）上尤为显著，脆弱的语法或编译错误占主导地位。自调试使模型能够修复这些浅层但频繁发生的故障。
解读
实验结果传递了几个关键信息。第一，开源模型与闭源模型的差距主要在符号语言上------在 Python 和 HTML 上大家表现都不差，但在 LilyPond 上 Qwen 只有 5.5%，而 GPT-4.1 能达到 43.6%，这种极端差距说明单纯靠通用代码语料无法覆盖专业领域语言。第二，VisCoder2 的核心价值不是在某一个语言上做到极致，而是平衡性------它在 8 种语言上的表现都显著优于同量级模型，证明了多语言数据训练的有效性。第三，自调试带来的提升在 32B 模型上最明显（从 73.1% 到 82.4%），说明大模型更能有效利用错误反馈信息。下表展示了部分关键模型的执行通过率对比：
| 模型规模 | 模型 | 整体通过率 | 自调试后通过率 |
|---|---|---|---|
| 3B | Qwen2.5-Coder-3B | 45.8% | - |
| 3B | VisCoder2-3B | 67.7% | 70.0% |
| 7B | Qwen2.5-Coder-7B | 51.2% | 59.0% |
| 7B | VisCoder2-7B | 70.9% | 76.4% |
| 32B | Qwen2.5-Coder-32B | 57.5% | - |
| 32B | VisCoder2-32B | 73.1% | 82.4% |
| - | GPT-4.1 | 63.4% | 82.4% |
8. 任务得分与视觉得分分析（6.2 TASK AND VISUAL SCORE ANALYSIS）
翻译
研究者分析了三种代表性语言上的任务得分和视觉得分，以突出不同行为。
LaTeX：执行-语义不匹配。 模型通常能捕捉到图形的预期结构，但无法可靠地编译。例如，GPT-4.1 通过自调试将执行通过率从 31.3% 提升到 66.1%，但即使执行失败，任务得分也保持在 50 左右。VisCoder2 相比基线提高了执行率和任务得分，但编译错误仍然频繁。这种模式表明，语义对齐并不总能转化为成功的渲染。
LilyPond：符号语法增益。 VisCoder2 在符号语言上展现了最明显的优势。在 7B 规模下，Qwen2.5-Coder 仅执行了 5.5% 的任务，而 VisCoder2 达到了 69.1%，并通过自调试进一步提升。VisCode-Multi-679K 中对符号语法的针对性覆盖直接转化为可靠的生成和语义遵从。
SVG：对渲染库的敏感性。 大多数模型的执行成功率都很高，但视觉得分却落后于任务得分。例如，GPT-4.1 通过自调试达到 95.4% 的执行率和接近 90 的任务得分，但平均视觉得分低于 50。这些差异表明，对 SVG 的评估受库特定渲染细节的强烈影响，而非仅凭语义理解。
解读
这部分分析揭示了"执行通过率"这一指标的局限性。在 LaTeX 上，代码能编译通过（执行成功）不一定代表画出了正确的图；在 SVG 上，即使语义完全正确，不同渲染器（如 Chrome vs. Firefox）的输出视觉质量也可能天差地别。因此，论文引入"任务得分"和"视觉得分"作为补充，分别衡量"意图对齐"和"视觉美观度"。特别值得注意的是 LilyPond 上的结果：VisCoder2 在此语言上的巨大提升（从 5.5% 到 69.1%）充分说明了专门构建的多语言数据集对攻克长尾、高难度语言的决定性作用。
9. 错误分析与数据消融（6.3 & 6.4 ERROR ANALYSIS & TRAINING DATA ABLATION）
翻译
错误分析。 为了更好地理解跨语言的失败模式，研究者分析了自调试前后的执行错误。许多语言特定的异常被合并为四类：结构错误（语法或解析）、类型与接口错误（无效调用或参数）、语义/数据错误（变量或值不匹配）和运行时/环境错误（渲染器或包问题）。自调试能有效修复结构和接口错误，例如 Python 的接口错误从 13 个降至 3 个，LilyPond 的结构错误从 14 个降至 10 个。然而，涉及语义或运行环境的错误仍然难以解决，例如 LaTeX 中未定义的变量仅从 28 个略微减少到 23 个。
训练数据消融。 为了厘清每个数据源的贡献，研究者使用 Qwen2.5-Coder-7B 作为基座模型进行了受控消融研究。在 The-Stack-V2 上单独训练的模型改进有限，甚至在 LaTeX 等符号语言上出现性能下降，反映了通用代码中清晰可视化信号的稀疏性。相比之下，CoSyn 在符号和语法敏感型语言上带来了巨大增益。StarVector 子集主要对 SVG 有贡献，但规模太小无法提升整体性能。Code-Feedback 在自调试下产生了一致的增益，将整体执行率从 55.2% 提升到 63.1%，表明多轮对话数据为通过迭代修正进行恢复提供了关键监督。结合所有子集产生了最强的模型。
解读
错误分析从微观层面解释了自调试为何有效以及为何仍会失败。结构错误 （如缺少括号）和接口错误 （如参数传错）因为有明确的堆栈跟踪信息，模型较容易通过错误日志定位并修复。但语义错误 （如变量名拼写错但逻辑上未定义）和运行时环境错误（如缺少渲染库）给出的反馈信号模糊，模型即使看到错误日志也难以进行深层次推理修正。
消融实验则从宏观层面揭示了数据配比的重要性。单独使用真实代码（The-Stack-V2）效果不佳，说明"量大"不如"质精"；合成数据（CoSyn）对符号语言至关重要，因其提供了干净、结构化的长尾样本；而多轮对话数据（Code-Feedback）的价值不在于提升首轮准确率，而在于赋予模型"二次修正"的能力。只有三者结合，才能训练出既博学又善于改错的智能体。
10. 结论与局限性（7. CONCLUSION & LIMITATIONS）
翻译
可靠的可视化编码超越了单次生成：它需要跨不同语言的能力，以及根据执行反馈迭代优化输出的能力。现有数据集和基准缺乏这些能力，限制了实际工作流中实用智能体的进展。
该研究通过三项贡献填补了这些空白。首先，引入了 VisCode-Multi-679K，一个大规模指令微调数据集，将跨 12 种语言的可执行可视化代码与多轮反馈对话统一起来。其次，构建了 VisPlotBench，一个覆盖 8 种可视化语言的基准测试，采用标准化的"执行-渲染-评分"协议，任务涵盖 13 个类别和 116 个子类型。第三，在这些资源上训练了 VisCoder2 模型家族，证明其持续优于开源基线，并在执行可靠性上接近专有模型。
实验凸显了两个洞察。广泛的多语言覆盖至关重要：符号型和编译器依赖型语言（如 LaTeX、LilyPond 和 Asymptote）仍然具有挑战性，但在这些语言上的进展对真正的泛化能力具有决定性作用。迭代优化进一步证明是不可或缺的：自调试在模型上带来了巨大增益，尤其是在结构和语义错误常见的语言上。
局限性。 首先，训练语料在语言之间不平衡：Python 和 Vega-Lite 等高端资源生态系统有充分代表，而符号型和特定领域语言的样本要少得多，这可能导致模型偏向主流语言。其次，VisPlotBench 目前覆盖 8 种可视化语言；将其扩展到更多框架和语言将提供更广泛的覆盖和更全面的评估。
解读
结论部分重申了该研究的核心定位：并非仅仅提出一个更强的模型，而是搭建了一套完整的"数据-基准-模型"基础设施，为后续研究提供了可复用的基座。两个局限性的提及体现了研究的诚实性。数据不平衡是当前多语言任务的普遍困境，这意味着在后续工作中，如何通过数据增强或主动学习来补充小众语言样本将是一个重要方向。此外，虽然 VisPlotBench 已覆盖 8 种语言，但面对实际生产中可能遇到的数十种可视化方言，其覆盖度仍有提升空间。