Paper2Code是什么？

Paper2Code是能把機器學習論文變成能用的代碼框架。這是韓國科學技術院和DeepAuto.ai聯合開發出來的，它像人開發軟件一樣，分“規劃-分析-編碼”三個階段來生成代碼。

Paper2Code工作原理

• 規劃階段，先搭個大概的框架，設計系統架構，像畫UML圖、定文件結構這些，再規劃文件和模塊怎么協作，最后生成配置文件。

• 分析階段，仔細看每個文件的功能、輸入輸出，以及和其他文件怎么連。

• 生成階段，根據前面的規劃和分析，生成有依賴關系的模塊化代碼。

Paper2Code核心功能

• 自動化代碼生成，能把機器學習論文直接變成完整的代碼倉庫，包括系統架構、依賴文件和配置文件。

• 多格式輸入，支持PDF和LaTeX格式的論文，還能把PDF論文轉成JSON格式。

• 三階段處理流程，每個階段都有專門的代理來處理，保證代碼結構清楚，符合論文原意。

• 規劃階段，畫高層次路線圖，確定核心組件，建模模塊間結構關系，識別文件依賴和執行順序，生成配置文件方便研究人員定制實驗。

• 分析階段，細致解析每個文件和函數，明確功能、交互以及算法架構約束。

• 代碼生成階段，根據前面的成果合成整個代碼庫，保證模塊調用一致，減少bug，保持邏輯連貫。

• 代碼質量評估，支持有參考和無參考的評估，評分1 - 5。

優勢：

• 高質量代碼生成，在PaperBench基準測試里，Paper2Code比現有的代碼生成框架和簡單基線方法都好。

• 多智能體協作，通過多智能體框架讓各階段更好完成，提升代碼生成質量。

• 結構化輸出，生成的代碼庫結構清晰，有文件、模塊、架構圖和配置文件。

• 高可執行性，生成的代碼基本不用改就能運行。

限制：

• 目前只支持機器學習領域的論文。

• 有些邊緣情況還得人工調試。

• 還不支持生物學、物理學、經濟學等領域。

Paper2Code應用場景

• 科研復現：幫研究人員從沒代碼的論文里復現結果。

• 教育：給學生從理論到實踐的學習機會。

• 加速研究：讓研究人員能更快在別人工作基礎上研究。

• 實驗調整：方便研究人員調整配置、架構和數據集。

實驗評估顯示，PaperCoder從機器學習論文生成的代碼質量高，接近作者實現水平，比其他基線模型好。

開源鏈接

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