چکیده
شکل‌های پایپ‌لاین در مقاله‌های یادگیری ماشین (ML) باید در فضاهای کاری متنوعی از جمله ستون‌های مقاله، اسلایدهای 16:9، پوسترهای عمودی، تیزرهای اجتماعی 1:1 و پیش‌نمایش‌های تلفن 9:16 بازاستفاده شوند. هر فرمت نسبت عرض به ارتفاع (aspect ratio) متفاوتی بر روی یک گراف محاسباتی تحمیل می‌کند؛ هر اتصالی که به‌طور نامرئی شکسته شود، روش را به‌صورت نادرست نمایش می‌دهد. ما بازآرایی سازگار با نسبت عرض به ارتفاع را به‌عنوان وظیفه‌ای متمایز تعریف می‌کنیم: با داشتن یک flowchart رستر و نسبت هدف، چیدمانی وفادار به ساختار، بدون توهم و قابل ویرایش تولید می‌کنیم. روش‌های موجود به‌طور عمده شکست می‌خورند: مدل‌های تصویر به تصویر بلوک‌ها را کشیده و نسبت‌های شدید را رد می‌کنند، سیستم‌های تبدیل متن به تصویر محتوا را هلوسین می‌سازند، و سیستم‌های تجزیه-سپس-ترسیم حاشیه‌ها را نادرست مسیریابی می‌کنند. ما یک پایپ‌لاین عاملانه (agentic) را به سه مرحله Parse، Style و Layout تجزیه می‌کنیم؛ هر مرحله یک عامل اصلی و یک منتقد دارد که ترکیبی از بررسی‌های محدودیتی قطعی و بازخورد بصری VLM را به‌کار می‌گیرد تا اتصالات صریحاً بررسی شوند و به‌طور نامرئی شکسته نشوند. خروجی‌ها فایل XML قابل ویرایش در draw.io (mxGraph) هستند. بر پایهٔ بنچمارک دقیقانه‌ای از ۱۰۰ flowchart در پنج نسبت عرض به ارتفاع، که توسط Gemini 3.1 Pro ارزیابی و مقابل داوری‌های انسانی تأیید گردیده، روش ما ۶۸٫۶٪ وفاداری محتوا (Content Fidelity) را به‌دست آورده در حالی که کارهای پیشین بین ۱۱٫۲٪ تا ۴۱٫۴٪ قرار دارند. صفحه پروژه: https://onefigureeverycanvas.vercel.app/