/figures/  ›  真图案例库

论文 Pipeline 真图案例库

真实论文原图 · 按构图类型分组 · 每类一张「怎么画」配方卡 · 图卡点开对照着画

这页与 /figures/ 的关系

/figures/ 里的「顶会 Pipeline 案例解剖」给出的是 简化重绘 的示意图，用于剖析构图、流向与配色。 这页是它的镜像，直接放上 论文中的原始真图，帮你看清：原作里到底画了多少细节、文字怎么放、配色到底用了什么。 两页对照读，效果最好。

每组左侧是「怎么画」配方卡，滚动右侧真图时常驻可见；图卡默认收起，点开标题即可对照着画，每组第一张已替你展开。

所有原图均来自 arXiv 公开 PDF，仅做画幅裁切与 PNG 重编码；版权归各论文。点击图片跳转 arXiv 详情页。

分组直达： A · 横向多阶段 B · 对比式 C · 双流对称 / 汇聚 D · 重参数 / 编解码 E · 工业 LLM 架构 F · 通用教程

A横向多阶段（线性流水线）

最常见的 pipeline 画法：左→右一条主轴，每段是显式步骤。适合训练阶段、数据加工、模型主链。

01InstructGPT（NeurIPS 2022）· 三步 RLHF三幕式▾

Ouyang et al. · 2203.02155 · arxiv

RLHF 训练流程图被引用最多的范本。每步是「数据 → 模型 → 产物」的小闭环，三步纵向对齐形成隐式时间轴。

InstructGPT Figure 2: three-step RLHF pipeline
Figure 2 (p3) · A diagram illustrating the three steps of our method: (1) supervised fine-tuning (SFT), (2) reward model (RM) training, and (3) reinforcement learning via proximal policy optimization (PPO) on this reward model.
  1. 三步结构完全等宽对齐，标题统一用蓝色 step 标签，下方配一句动作描述，读者「读一行就能复述流程」。
  2. 同一套 icon（数据堆叠 / 小人 / 模型节点 / 排序序号）跨步复用，强化「同一条主线」。
  3. 第三步独有的回环箭头（PPO ↔ RM）打破横向单调，把「训练回路」和「数据流」在视觉上拆开。
02Whisper（OpenAI Tech Report 2022）· 多任务到序列到序列多段递进▾

Radford et al. · 2212.04356 · arxiv

整张图分上下两大舱：上半 = 模型架构，下半 = 多任务训练格式。舱之间用灰底块框住，避免与中间的 Transformer 流程混淆。

Whisper Figure 1: multitask training and seq2seq architecture
Figure 1 (p4) · Overview of our approach. A sequence-to-sequence Transformer model is trained on many diverse tasks … Multitask training format uses a set of special tokens that serve as task specifiers or classification targets.
  1. 两块大舱用同一灰色边框，舱内各自再分小步骤，读者先看到「数据 / 模型」两件事，再去看舱内细节。
  2. 不同 token 类型用颜色块（special / text / timestamp），舱下的小图例就地解释，不强求翻正文。
  3. Encoder 与 Decoder 用同一蓝 / 红双色，跨模块守恒，视觉锚定「两边各司其职」。
03RAG（NeurIPS 2020）· 检索 + 生成端到端反传双模块端到端▾

Lewis et al. · 2005.11401 · arxiv

左侧问题示例（蓝色块）→ 中间 retriever（绿底圆角框）→ 中间文档索引（紫色堆叠）→ 右侧 generator（蓝色圆角框）→ 右侧答案示例（紫色块）。

RAG Figure 1: end-to-end retriever + generator with backprop
Figure 1 (p2) · Overview of our approach. We combine a pre-trained retriever (Query Encoder + Document Index) with a pre-trained seq2seq model (Generator) and fine-tune end-to-end. … the marginalize operation is used to compute the probability of the generated answer.
  1. 大标题「End-to-End Backprop through q and p_θ」横贯全图顶，把「端到端」这件事写在视觉中心，论文最重要的贡献被一句话点出。
  2. 两类问题（x / y）配色区分但位置对称，体现「输入不同 / 处理同一条管线」。
  3. 右上角的 d(z) 分布直方图把抽象「软检索」可视化为概率，避免读者把它误解为硬选择。
04FD-LLM（arXiv 2024）· 双路故障特征 + LLM工业时序 + LLM▾

Wang et al. · 2412.01218 · arxiv

典型的「领域知识 → 文本化 → LLM 推理」管线。上下两条平行子流（FFT processed data / Statistically processed data），最后汇入同一个 LoRA 微调后的 LLM。

FD-LLM Figure 1: FFT and statistical pipelines feeding LLM
Figure 1 (p5) · An illustration of the FD-LLM framework using both FFT-processed and statistically processed data pipelines. Each pipeline turns raw vibration signals into prompt tokens that condition a LoRA-fine-tuned LLM to predict fault type.
  1. 同色边框（蓝 / 绿）= 同类模块（数据加工 / 提示组装 / LLM），读者一眼看到「三大块」，不被十几个细节淹没。
  2. 两条平行子流而非合并表达式，这是论文的核心主张：「两种加工方式都能用」，没有「主次之分」。
  3. 把 LoRA 模块画得跟 W / A / B 等权重块并排，暗示「微调不重写大模型」，这是节省算力的关键卖点。

B对比式（左右并列新旧方法）

把「过去做法」放左边、「我们的做法」放右边，复用同一坐标系让读者一眼看到「我们少做了什么 / 多做了什么」。

05DPO（NeurIPS 2023）· RLHF vs Direct Preference Optimization方法对比▾

Rafailov et al. · 2305.18290 · arxiv

用同一个偏好数据作起点，左边走 RLHF（preference data → RM → 强化学习 → policy），右边走 DPO（preference data → 直接最大似然 → final LM）。

DPO Figure 1: RLHF vs DPO comparison
Figure 1 (p2) · DPO optimizes for human preferences while avoiding reinforcement learning. Existing methods first fit a reward model, then use RL to find a policy. DPO fits the policy directly with a simple classification loss on the preference data.
  1. 左右两舱同一红 / 绿主色块，红色 = 复杂度（RLHF 三件套），绿色 = 简化（DPO 单链）。颜色本身就是结论。
  2. 两边共用同一组小 icon（人 / 对话 / 模型节点），保留「输入相同」的视觉锚点。
  3. 不画任何坐标系或公式，只画结构差异，这是「对比式 pipeline」比曲线图更强的场景。
06Self-RAG（ICLR 2024）· RAG vs Self-RAG方法对比▾

Asai et al. · 2310.11511 · arxiv

左半画 vanilla RAG 的两步「检索 K 段 → prompt LLM 生成」，右半画 Self-RAG 的三步「按需检索 → 并行生成 → critique 选最优」。

Self-RAG Figure 1: RAG vs Self-RAG overview
Figure 1 (p2) · Overview of SELF-RAG. SELF-RAG learns to retrieve, critique, and generate text passages … It decides whether to retrieve on demand and uses critique tokens to assess the quality of its own generations.
  1. 左半用一条主轴把 K 段堆叠并联，表达「一锅端」；右半用分支结构表达「并行抽样 + 评估筛选」，同一概念被画成两种典型形态。
  2. 「Relevant / Irrelevant / Supported」等小标签色块统一用橙 / 绿，左右两栏共用一套评价色，跨栏可比。
  3. 底部两个 prompt example 并排：一个「需要检索」，一个「不需要检索」，直接展示 Self-RAG 的「按需」特性。
07ReAct（ICLR 2023）· 四种 prompting 对比多路对比▾

Yao et al. · 2210.03629 · arxiv

横向四个 variant（Standard / CoT / Act-only / ReAct）跑同一个 HotpotQA 题，纵向两个任务（HotpotQA / AlfWorld）跑同一套方法，四块网格直接拼成 4×2 的事实证据。

ReAct Figure 1: four prompting methods compared
Figure 1 (p2) · (1) Comparison of 4 prompting methods, (a) Standard, (b) Chain-of-thought (CoT, Reason Only), (c) Act-only, (d) ReAct (Reason + Act). … Combining internal reasoning and external actions outperforms either alone.
  1. 同一道题同一份答案结构被复用 4 次，读者不需要额外解释，差异自然显现：「同样的输入、不同的解题路径」。
  2. ✅ / ❌ 符号直接画在答案右侧，结论在图里、不在 caption 里，扫一眼就懂哪种方法对、哪种错。
  3. 绿色高亮（搜索词）和红色高亮（错误步骤）跨四格守恒，「动作」与「思维」两类操作各自有颜色身份。
08QLoRA（NeurIPS 2023）· Full / LoRA / QLoRA 三方对比三方对比▾

Dettmers et al. · 2305.14314 · arxiv

三个图元从同一「16-bit Transformer」基座出发，依次减少 optimizer state、冻结 base model、把 base model 量化到 4-bit，左→右就是论文贡献的累加。

QLoRA Figure 1: Full vs LoRA vs QLoRA memory comparison
Figure 1 (p3) · Different finetuning methods and their memory requirements. QLoRA improves over LoRA by quantizing the transformer model to 4-bit precision and using paged optimizers to handle memory spikes.
  1. 三栏对齐到同一基座框（Base Model 行），上面用空白 / 缩小 / 4-bit 灰度差异直接「画出内存节省」，比表格直观得多。
  2. 箭头图例（蓝 / 绿 / 紫 = 参数 / 梯度 / paging）就地嵌在右下角，不需要读者翻图例页。
  3. CPU paged-optimizer 块是全场唯一紫色，新引入的组件用新颜色，读者一眼知道「多出来的是什么」。

C双流对称 / 汇聚

两组处理流（视觉 vs 文本 / 源域 vs 目标域）从两端对称出发，最后汇聚到一个矩阵 / 一个共享空间。

09CLIP（ICML 2021）· 图文双塔 + N×N 矩阵双流汇聚▾

Radford et al. · 2103.00020 · arxiv

上：文本「Pepper the aussie pup」→ Text Encoder → 文本向量序列。下：图片堆栈 → Image Encoder → 图向量序列。中间 N×N 矩阵的对角线高亮 = 匹配对。

CLIP Figure 1: contrastive pre-training, dataset classifier, zero-shot
Figure 1 (p2) · Summary of our approach. While standard image models jointly train an image feature extractor … our method learns to align two encoders by predicting which caption goes with which image.
  1. 整张图把论文的「三件事」分成三个子图（contrastive pre-train / dataset classifier / zero-shot prediction），横向编号，等宽对齐，读者能复述出三个名词。
  2. 中间 N×N 矩阵对角线用浅蓝高亮，「匹配」这件事在视觉中心，不需要文字解释。
  3. 紫色 = text、绿色 = image，两种模态从头到尾两种颜色，连 N×N 矩阵里的色块都遵守同一规则。
10Time-LLM（ICLR 2024）· 时序重编程 LLM 三种范式三路汇聚▾

Jin et al. · 2310.01728 · arxiv

源模态 vs 目标模态两块同色框（浅灰），三种方法沿一条横轴并排：(a) task-specific 新建模型；(b) 模型微调；(c) 模型重编程，重编程那栏最复杂，所以占最大篇幅。

Time-LLM Figure 1: task-specific vs fine-tuning vs reprogramming comparison
Figure 1 (p3) · Schematic illustration of reprogramming large language models (LLMs) in comparison to traditional approaches including (a) task-specific learning and (b) model fine-tuning. Our framework aligns a target time-series modality with a pre-trained LLM through learnable prompts and embeddings.
  1. 三栏用同一「源 → 目标」骨架，但栏内元素数量呈递增，视觉重量直接告诉读者「(c) 最复杂，也是本文工作」。
  2. 把「Reprogram. Space」和「Prompt + Reprogram.」单独画出来，是论文两个最关键的概念，图标和文字的耦合比纯文字描述快 5 倍。
  3. 右下角四件套图例（羽毛 / 点赞 / 灯泡 / 拼图）= 「Lightweight / High Effectiveness / Contextual Bootstrapping / Cross-Modality」，把论文四个卖点排成同一行，配合上方的复杂图做总结，读者滑到底不会错过。

D重参数 / 编解码（串行分解或对称）

表达「一个完整的算子被拆成两到三个简单子结构」。常用于参数高效微调、视觉预训练、自回归解码。

11LoRA（ICLR 2022）· 预训练权重 + BA 低秩分解重参数化▾

Hu et al. · 2106.09685 · arxiv

左侧大蓝块（frozen pretrained W ∈ ℝd×d），右侧两片橙色梯形（B = 0、A = 𝒩(0,σ²)），中间夹 rank r，三件套画完，全文就讲完了。

LoRA Figure 1: reparametrization with pretrained weights + low-rank BA
Figure 1 (p1) · Our reparametrization. We only train A and B. The input x is multiplied by both paths and summed. At deployment, the BA product can be merged back into W with no additional inference latency.
  1. 蓝色 = frozen，橙色 = trainable，颜色即参数状态，零文字成本解码「哪些参数会动」。
  2. 梯形几何形状本身就传达「rank r ≪ d」，维度差异不靠数字。
  3. 上下两条箭头（输入 / 输出）穿过 frozen W 和 BA 两条路，汇合后相加，「parallel additive」直接画进结构里，省掉文字解释。
12MAE（CVPR 2022）· 掩码自编码器流水线串行编解码▾

He et al. · 2111.06377 · arxiv

5 步串行：input（多数 patch 被灰块盖住）→ 可见 patch → encoder → latent tokens → decoder → target（原图）。中间两段用细窄「带状」画，形象表达「只过少量 token」。

MAE Figure 1: masked autoencoder pipeline
Figure 1 (p1) · Our MAE architecture. During pre-training, a large random subset of image patches (e.g. 75%) is masked out. The encoder is applied only to the visible subset. A lightweight decoder reconstructs the original image from the latent representation and the mask tokens.
  1. encoder / decoder 用两块宽度完全不同的灰色圆角块，「encoder 大、decoder 小」这一非对称设计被画进几何里。
  2. 中间 token 序列用「带状小格」+「…省略号」画，读者一眼看出 token 序列在数据流里被压缩过。
  3. target 直接复用原图，「重建目标 = 原图」用同一张图来表达。

E工业 LLM 架构（故障检测 / 异常诊断）

把 LLM 当作诊断、解释、问答接口，嫁接到传统工业检测管线。多模块、多数据源、跨模态融合。

13AnomalyGPT（AAAI 2024）· 工业异常检测 + LLM工业 + LLM▾

Gu et al. · 2308.15366 · arxiv

三层叠合：上层 frozen image decoder（异常定位）、中层 frozen image encoder + prompt learner、下层 frozen LLM（人机问答）。底部 legend 把「frozen / trained / 矩阵乘 / cosine / element-wise」五种操作就地解释。

AnomalyGPT Figure 2: IAD architecture with LLM
Figure 2 (p4) · The architecture of AnomalyGPT. The query image is passed to the frozen image encoder and the patch-level features … the final features extracted from the image encoder and the image decoder are concatenated with the learnable prompt embeddings, then fed into the LLM to generate textual answers.
  1. 蓝色 = frozen（占画面 ~70%）、红色 = trained，颜色权重视觉化「参数冻结多、可训练少」这一部署要点。
  2. Few-shot Inference 块用橙色虚线框单独画，「这是另一种使用模式」，不与主流程混淆。
  3. 右上 / 右下两块 Localization Result（监督 / 无监督）输出端并排，同一模型两种用途被画进一张图里。
14LLM 轴承故障诊断（arXiv 2024）· 金字塔式框架LLM 故障诊断▾

Liu et al. · 2411.02718 · arxiv

金字塔顶层「LoRA / QLoRA 微调」，中层「三种加工路径（feature-based / data-based / embedding + patching）」，底座「原始振动信号」。三层之间用斜体灰色描述连系「数据从粗到细」。

LLM-based bearing fault diagnosis Figure 1: pyramid framework
Figure 1 (p7) · The overall process of the proposed method. An LLM is fine-tuned via LoRA / QLoRA atop a bearing-vibration-signal foundation. Three parallel pathways (feature construction, patching & embedding, case-study matrix) feed the LLM with prompt-templated inputs.
  1. 金字塔形状本身就是「抽象层级」的可视化，底层最具体的振动波形，到顶层最抽象的 LLM 微调，读者不需要图例就懂。
  2. 三种路径（feature / patching / case study）用同一蓝色斜体，跨路径守恒，强化「同一种 LLM 输入」。
  3. 顶部红色 LoRA / QLoRA 旗帜，一眼看到「这是基于 LLM 的工作」，图本身就把论文卖点写在顶角。

F怎么画出来这些图（30 分钟上手）

A–E 每组左侧已经放了该构型的「怎么画」配方卡；本区收通用内容：工具教程、绘图纪律与可查证出处。前面 14 张顶会图 90% 出自 draw.io / PowerPoint / matplotlib 三件套，工具不重要，叙事才重要。想看完整方法论、投稿自查清单与 10 张可复制 matplotlib 模板，去 /figures/#howto。

通用五步法

从叙事到导出，所有 pipeline / 架构图都跑得过下面这张表。

步骤干什么检验标准
1. 写主线用一句话说清「X 用几步得到 Y」同门 10 秒能复述出来
2. 列模块拆成 3–6 个模块，标 frozen/trainable + 数字每个模块在框里能一行装下
3. 套模板从本页 A–E 选一个构图一眼看不出「这是哪种模板」就对了
4. 上色固定 3–4 色，每个颜色 = 一种角色跨模块、跨子图颜色守恒
5. 导出矢量 PDF/SVG，字号 7–9pt缩到 50% 仍能读

工具速查

场景工具上手产出
想清楚结构纸笔 / Excalidraw5 min草图
正式框图（顶会级）draw.io30 minSVG
论文里直接拼素材PowerPoint30 minPDF（矢量）
代码化、批量、可复现matplotlib1 hPDF
LaTeX 原生、期刊要求TikZ2 h+PDF

最小代码（matplotlib，13 行）

复制下面这段就能跑出上图。任何 pipeline 图都是这个骨架的扩展：改 box 数量 / 改文字 / 改颜色。

# 13 行画一张三框两箭头 pipeline（双栏宽 7.16 inch）
import matplotlib.pyplot as plt
from matplotlib.patches import FancyBboxPatch

fig, ax = plt.subplots(figsize=(7.16, 1.6))
ax.set_xlim(0, 10); ax.set_ylim(0, 3); ax.axis("off")

def box(x, text, fc="#e9f3fa", ec="#0072B2"):
    ax.add_patch(FancyBboxPatch((x, 1.1), 2.0, 0.9,
        boxstyle="round,pad=0.08", fc=fc, ec=ec, lw=1.4))
    ax.text(x + 1.0, 1.55, text, ha="center", va="center", fontsize=11)

def arrow(x0, x1):
    ax.annotate("", xy=(x1, 1.55), xytext=(x0, 1.55),
        arrowprops=dict(arrowstyle="->", color="#8b949e", lw=1.4))

for i, t in enumerate(["Raw Data", "Your Model", "Output"]):
    box(0.5 + i * 3.2, t)
    if i < 2: arrow(2.6 + i * 3.2, 3.6 + i * 3.2)

fig.savefig("pipeline.pdf", bbox_inches="tight")  # 矢量
教程最小示例输出
上面这段代码的输出。把 13 行复制到任何 .py 文件就能跑出这张图。需要更多模块、改颜色、改大小？都是改 box() 调用行的事。

完整可运行的 10 个模板（横向 pipeline、Transformer 堆叠、训练曲线、雷达图、热力图、箱线图、小倍数图、帕累托前沿等，每个模板都写了物理尺寸和导出设置）： /figures/#fig-method

手把手 A · draw.io 画「三幕式」（15 min）

draw.io 是顶会作者最常推荐的工具，免费、矢量、所见即所得。本节用 InstructGPT 风格的「三幕」做演练。

  1. 新建图。打开 app.diagrams.net → Device → Blank Diagram；左侧 Shapes 选 General → 拖入三个 Rectangle。
  2. 改文字 + 圆角。双击矩形输入文字；右侧 Style 把 rounded 设为 1，fontSize 设 14。
  3. 统一尺寸 + 颜色。右侧 Style 设宽 200、高 80；填充 #e9f3fa 浅蓝，描边 #0072B2；选中按 Ctrl+D 复制两份。
  4. 等距对齐（关键一步）。Shift 多选三个框 → 顶部 Align → Align Middle + Distribute Horizontally。
  5. 连接箭头。鼠标悬停矩形边缘出现方向箭头，拖到下一框即连接（带自动跟随）。选线 → Style 设 strokeColor #8b949e。
  6. 语义分层。数据流用实线；参数更新（PPO ↔ RM、LoRA ↔ Backbone）选中线 → Style 设 dashPattern 为 8 4。
  7. 虚线分组框。拖一个大 Rectangle → 改填充 #f6f8fa、虚线 dashPattern 8 4 → 右键 Send to Back 把矩形放最底层，作为「幕」背景。
  8. 导出矢量。File → Export as → SVG，勾选 Embed fonts 和 Include a copy of diagram。投稿时再导出 PDF 一份作为兜底。

手把手 B · PowerPoint 画法要点（20 min）

很多人论文里的「原图」其实是 PPT 拼出来的，尤其是融合多个 PDF 截图的图。下面是 PPT 画 pipeline 不会出错的几件事。

  1. 先把画布尺寸改对。Design → Slide Size → Custom（双栏图 7.16 in × 3.5 in；单栏 3.5 × 3.5 in）。先定尺寸再画，否则最后缩放比例全乱。
  2. Insert → Shapes → Rounded Rectangle。按住 Shift 等比缩放；Shift 多选所有框 → Format → Align → Align Middle + Distribute Horizontally（等距神器）。
  3. 箭头用形状里的 Right Arrow。不要用带渐变 / 阴影的「SmartArt」，印刷不友好。同样的 Align 步骤对齐到中线。
  4. Ctrl+G 把同一组打成组。防止后面对齐时散架。需要复用样式就复制整个组，组内样式继承。
  5. 导出 PDF，不要截图。文件 → 另存为 → PDF（切勿 PNG 截图！）。PDF 才是矢量，期刊才会收。字号 7–9pt 与正文一致。

配色守恒 · 反例清单

下面这些坑一旦出现，几乎等同于「我看不懂你在画什么」。投稿前自查一遍。

常见反例为什么坏改正
彩虹色 / 高饱和渐变读者无法把颜色和角色绑定固定 3–4 色，每个颜色只代表一种角色
3D 效果 / 阴影 / 玻璃感印刷不友好，IEEE/ACM 直接拒全平面，纯色块
图标题写在图内图标题是 caption 的事图内只留图例、关键标签
字号 < 7 pt 或 > 12 pt缩到双栏宽度后不可读 / 喧宾夺主图内字号 7–9 pt 与正文一致
箭头全用同一种读者分不清数据流 / 参数更新 / 反馈环实线 / 虚线 / 双向 = 不同语义
同一组用不同色读者误以为左右两栏是不同模型颜色守恒：角色 = 颜色

十条绘图纪律（带出处）

把上面 14 张图的套路沉淀成可对表的清单。每条都标了出处，方便投稿前自查时回到原始来源核对。

  1. 一图一主张。一张图只讲一件事；两张图讲一件事不如合并，一张图讲两件事必须拆。Rougier 2014 Rule 2
  2. 箭头是动词。实线 = 数据流，虚线 = 训练更新 / 反馈环，粗细 = 数据量级；全图共用一套语义，不要「什么箭头都在用」。Wong 2011「Arrows」
  3. 颜色守恒。一个角色 = 一个颜色，跨模块、跨子图、跨前后图全程沿用；彩色留给主角，配角一律灰阶。Wong 2010「Color coding」
  4. 色盲安全。北欧裔约 8% 男性有红绿色觉缺陷，三位男性审稿人至少一位色盲的概率约 22%；红绿同图必自查。Wong 2011「Color blindness」
  5. 彩虹色阶禁用。jet / rainbow 亮度不均匀，引入的视觉误差可超过数据总变差的 7%；梯度数据换感知均匀色阶（viridis / batlow / ColorBrewer 顺序色）。Crameri, Shephard & Heron 2020
  6. 重复即折叠。N× 角标、省略号、黑盒包装都是合法减法；折叠前先展开一例给读者校验。
  7. 留白是信息。非重点组件画黑盒；每轮迭代删一个元素，删掉后主张不受损就永久删，不承载信息的墨水都是成本。Tufte data-ink ratio；Wong「Negative space」
  8. 字号守底线。先定最终物理尺寸（图内 7–9pt 与 caption 一致），成稿后不再缩放；Rougier 2014 Rule 5「Do Not Trust the Defaults」
  9. 对齐成模数。间距、圆角、线宽取同一基数的倍数（4 / 8 / 16 px）；对齐是免费的秩序感，错位是昂贵的混乱。
  10. 矢量优先。框图与曲线一律 PDF / SVG，位图只留给热力图与照片；matplotlib 记得 pdf.fonttype=42。

经验来源（全部可查证）

纪律要可信，得有出处。下面 4 份是顶会级、被引最广的可公开验证资料，付费墙后的「内训资料」永远不应该取代它们。

  1. Rougier, Droettboom & Bourne (2014) · Ten Simple Rules for Better Figures · PLOS Comput Biol 10(9): e1003833 · CC0 开放，可自由转载。十条规则的原始出处。
  2. Wong B. et al. (2010–2015) · Points of View 专栏 · Nature Methods · 共 38 篇。本节引用了 Color coding (2010)、Arrows (2011)、Color blindness (2011)、Negative space (2011)、Pencil and paper (2012) 等篇目；专栏汇总页含全部 38 篇的链接。
  3. Crameri F., Shephard G.E. & Heron P.J. (2020) · The misuse of colour in science communication · Nature Communications 11: 5444 · CC BY 4.0。彩虹色阶的量化危害与免费科学色阶库（batlow 系列）。
  4. Tufte E.R. (1983) · The Visual Display of Quantitative Information · Graphics Press · 经典教科书。data-ink ratio、chartjunk 等概念从此处起源，Wong / Rougier 都直接引用过。

经验方法都是公开的、可追溯的；缺一不可复制，缺三不可信任。