PaperCoder是什么？

PaperCoder是一個將學術論文自動轉換為代碼庫的多智能體LLM系統，通過自動化代碼生成，研究人員和開發者可以更快地實現論文中的算法和模型，減少手動編碼的時間和錯誤，PaperCoder系統采用三階段的工作流程，包括規劃、分析和代碼生成，每個階段都由專門的智能體進行處理。通過這個系統，研究人員和開發者能夠更高效地將理論成果轉化為實際的編程項目，為推動技術進步和創新提供了便利。

Paper2Code核心功能

• 多智能體框架：Paper2Code 采用多智能體大型語言模型（LLM）框架，模擬人類軟件開發生命周期，分為“規劃（Planning）- 分析（Analysis）- 編碼（Coding）”三個階段。

• 規劃階段：構建高層路線圖，設計系統架構，確定文件依賴關系，并生成配置文件。

• 分析階段：對每個文件或函數的具體實現細節進行解讀，關注其目的、輸入/輸出、交互和約束。

• 編碼階段：根據前面的成果，逐文件生成模塊化且考慮依賴關系的代碼。

• 代碼生成與優化：能夠從機器學習研究論文中自動生成完整、功能性的代碼倉庫，支持多種深度學習框架（如 TensorFlow 和 PyTorch），并生成 requirements.txt 文件列出所需依賴。

• 高質量代碼輸出：生成的代碼不僅在語法上正確，而且在功能上接近可運行狀態，僅需極少量修改。

優勢

• 自動化程度高：首次實現了直接從科學論文自動生成完整、可執行代碼倉庫，不需要依賴現有代碼或片段。

• 性能卓越：在多項基準測試和人工評估中，Paper2Code 均顯著優于現有代碼生成框架和樸素方法。

• 實用性強：人工評估顯示，生成的代碼對研究人員實際重現工作具有高度實用價值，85%的評估者認為其有用。

劣勢

• 領域局限性：目前主要針對機器學習論文，向其他科學領域的泛化能力有待驗證。

• 對底層 LLM 的依賴：框架性能受限于所使用的基礎 LLM 的能力。

• 可能存在遺漏和誤解：即使在最好的情況下，生成的代碼也可能存在對論文細節的遺漏或誤解。

Paper2Code使用方法

環境設置：

• 安裝必要的軟件包，如 Openai 的 API 包。

• 配置 API 密鑰以訪問 OpenAI 的服務。

PDF 轉換：

• 將論文的 PDF 文件轉換為結構化的 JSON 格式。

• 使用 s2orc-doc2json 工具進行轉換。

運行代碼生成：

• 修改配置文件以指定論文路徑和其他參數。

• 運行提供的腳本以啟動代碼生成過程。

Github：https://github.com/going-doer/Paper2Code