Zespół badawczy opublikował Crystalis - framework umożliwiający modelom językowym generowanie skoordynowanych wizualizacji wielowysokościowych, gdzie widoki dzielą przepływy danych i mogą ze sobą współdziałać. Problem polega na tym, że błędy w jednym komponencie (transformacja danych, kodowanie wizualne, interakcja) mogą w ukryty sposób naruszić całą strukturę bez ostrzeżenia.
Crystalis opiera się na modelowaniu zorientowanym na zapytania, rozkładając skomplikowaną wizualizację na strukturalne zapytania nad grafem zależności. Framework operuje trzema typami komponentów (Data, Visualization, Interaction) i trzema poziomami abstrakcji (requirement, specification, executable object). Dwie kluczowe mechanizmy działają nad tą strukturą: progresywna nukleacja "krystalizuje" każde zapytanie wertykalnie od wymagania do obiektu, a semantic annealing wymusza spójność poziomą poprzez logiczne sprawdzenia na każdym poziomie.
W testach na benchmarku obejmującym 12 zadań i pięć czołowych modeli LLM, Crystalis osiągnął do 75% całkowitego powodzenia - dramatycznie wyprzedzając agentic coding baseline z 8,3% przy tym samym modelu bazowym. Badanie użyteczności z 12 praktykami potwierdziło, że generowane wizualizacje są rzeczywiście użyteczne. To oznacza przełom w możliwościach automatycznego tworzenia zaawansowanych dashboardów i systemów analitycznych, gdzie wszystkie komponenty współpracują bez konfliktów.