这个工具提供了哪些能力
点开任一能力,看清怎么用
每个能力展开后是三件事:它会给你什么、你需要准备什么、哪些必须由你把关。
常见场景:拿到一篇机器学习论文后需要快速搭建复现代码骨架;想验证论文方法是否可以在不手工阅读全部细节的情况下被代码化;需要对比论文声称结果与模型生成代码的运行结果;论文复现工作量很大,需要先获得结构化的任务列表和依赖配置
帮你把一篇机器学习论文变成一份可执行的复现方案。系统读论文后生成总体计划、系统架构设计、文件级任务清单和依赖配置,这是后续分析和写代码的总蓝图。
它会给你什么
- 一份复现计划文件。
- 一份生成过程记录文件。
- 供后续分析和写代码环节读取的计划内容。
你需要准备
- 论文内容,JSON 或 LaTeX 格式都行。
- 模型名称和所用的模型服务版本。
- 输出目录,计划和过程记录都存这里。
由你把关
- 计划是否覆盖了论文的核心方法、数据、训练和评价,由你核对。
- 用哪家模型服务来跑,由你决定。
- 调用高成本模型前,预算和密钥要先确认,由你确认。
帮你检验生成的代码复现得像不像。系统把论文和生成代码交给评估模型打 1 到 5 分并给出问题清单,可多次采样汇总平均分;如果有官方参考代码,还能对照着评。
它会给你什么
- 一份评估结果文件,含评分和问题清单。
- 控制台里的评估摘要。
- 一份调用成本记录。
你需要准备
- 论文的 JSON 文件。
- 生成的代码仓库目录。
- 可选:官方参考代码目录。
由你把关
- 用无需参考代码还是有参考代码的评估方式,由你决定。
- 参考代码本身是否合格、值不值得对照,由你核对。
- 问题清单里指出的问题位置和严重程度,由你核对。
帮你把论文整理成系统可以读的格式。你可以用 PDF 转出来的 JSON 清洗后喂给它,也可以直接给清洗好的 LaTeX 正文,两条路都通,后面各环节都吃这份整理好的材料。
它会给你什么
- 清洗后的 JSON 文件。
- LaTeX 文本的输入通道。
- 传给计划、分析和写代码环节的论文材料。
你需要准备
- 结构化的论文 JSON 文件。
- 或已清洗好的 JSON 文件。
- 或已清洗好的 LaTeX 文件。
由你把关
- 走 JSON 路径、LaTeX 路径还是外部 PDF 转换路径,由你决定。
- 自有论文发送前要确认版权、解析质量以及是否允许发给模型服务,由你核对。
- 清洗时删掉的字段若影响复现,要人工补回,由你核对。
帮你把生成的代码跑起来。系统先补一个一键运行脚本,执行报错后会把错误日志和代码交给模型,由模型给出修改补丁并自动应用到对应文件,反复修补直到能跑。
它会给你什么
- 一个一键运行脚本。
- 被修补过的代码文件。
- 修补前的备份文件。
你需要准备
- 已生成的代码仓库。
- 计划配置和仓库里的依赖配置文件。
- 任务清单里的 Python 代码文件。
由你把关
- 修补所依据的错误日志需要你提供,日志是否完整由你核对。
- 模型给出的修改补丁是否安全,由你核对。
- 运行脚本和相关测试要实际跑一遍,结果由你核对。
帮你按计划把代码真正写出来。系统按任务清单顺序逐个生成代码文件并写入输出仓库,已完成的文件会作为上下文传给下一个文件,保证模块之间衔接得上。
它会给你什么
- 输出仓库里的一整套代码文件。
- 每个文件的生成过程记录。
- 更新后的累计成本记录。
你需要准备
- 论文的 JSON 或 LaTeX 文本。
- 计划阶段的配置文件。
- 计划阶段的过程记录。
由你把关
- 任务清单的路径和安全是否合理,由你核对。
- 生成的仓库要实际运行测试,结果由你核对。
- 代码是否忠实于论文方法,由你核对。
帮你在写代码之前先把每个文件想清楚。系统对照论文、总体计划、系统设计和配置,为任务清单里的每个文件生成一份细致的逻辑分析,说明它要实现什么、依赖什么,减少后面写代码时漏掉依赖或跑偏。
它会给你什么
- 每个文件的逻辑分析记录。
- 每个文件的分析结果文件。
- 每个文件的生成过程记录。
你需要准备
- 论文的 JSON 或 LaTeX 文本。
- 计划阶段的配置文件。
- 计划阶段的前几轮生成记录。
由你把关
- 任务清单本身是否合理,由你核对。
- 每份分析是否引用了正确的论文细节和配置,由你核对。
- 输出解析失败时要人工修复计划输出或直接提供任务清单,由你决定。
第一次这样开始
把仓库地址直接交给 AI
先让 AI 说明环境和风险,再完成最小安装验证。开始前想清楚要用哪个能力、把对应材料备在手边——每张能力卡展开后有具体清单。
第一次直接复制
帮我安装这个库:https://github.com/going-doer/Paper2Code 安装前先告诉我需要什么环境,安装后帮我跑通一个最小示例。
别这样用
这些判断,仍然由你负责
- 把生成的代码当作可直接运行的最终产物——模型可能忽略论文中未明确描述的细节或超参数
- 跳过计划审查直接执行——如果复现计划遗漏了关键模块,后续代码链条会整体偏离
- 依赖模型评估来判断复现正确性——生成代码和论文结果之间的差异仍需人工对照原文验证
技术依据
查看能力拆解、验证范围与来源
技术依据
查看能力拆解、验证范围与来源
处理机制
- 01
三阶段轨迹与产物目录链
Paper2Code 的多张能力卡共享同一条产物链:输入论文先进入 planning,planning 产出 trajectories、config 和 task list,analysis 按 task list 生成逐文件分析,coding 再按相同顺序写入输出仓库,eval 和 debug 继续复用同一组文件。这个机制卡说明这些对象如何跨阶段传递。
已核对范围
- 静态确认 OpenAI 和 vLLM planning 脚本的四轮消息链
- 静态确认 plan、architecture design、task list 和 config YAML 的输出顺序
- 静态确认 ref-free 和 ref-based 两种评估 prompt
- 静态确认 eval 脚本读取论文、目标仓库、可选 gold 仓库并汇总 1 到 5 分
- 静态确认 JSON 清洗脚本、LaTeX 输入分支和四个运行脚本的入口参数
- 静态确认示例 JSON 结构和 cleaned JSON 的字段变化
- 静态确认 reproduce.sh 生成脚本读取生成仓库代码和配置
- 静态确认 debug 脚本按 SEARCH/REPLACE block 应用模型修补
仍待核对
- 未调用 OpenAI 或 vLLM 生成真实计划
- 未检查输出 JSON 是否总能被解析
- 未验证计划能否覆盖任意机器学习论文的关键实验
- 未调用评估模型
- 未验证评分稳定性
- 未验证无有效模型输出时的失败处理
- 未运行 s2orc-doc2json 或 Grobid 服务
- 未用真实 PDF 生成新的 JSON
读取版本
ba9169978043d5799c8d4f4a0963e6b66a24c2e1许可
Apache-2.0
最近核对
内容 2026-06-16
Stars 2026-07-11
相关文章
具备相关能力的其他库
相关课程
把单项工具放进完整研究设计流程
课程一从研究问题、文献判断、理论假设和方法骨架继续推进,帮助你建立可以复用的研究设计档案。