Paper2Code：科研论文转换代码

Paper2Code是什么？

Paper2Code是能把机器学习论文变成能用的代码框架。这是韩国科学技术院和DeepAuto.ai联合开发出来的，它像人开发软件一样，分“规划-分析-编码”三个阶段来生成代码。

Paper2Code工作原理

• 规划阶段，先搭个大概的框架，设计系统架构，像画UML图、定文件结构这些，再规划文件和模块怎么协作，最后生成配置文件。

• 分析阶段，仔细看每个文件的功能、输入输出，以及和其他文件怎么连。

• 生成阶段，根据前面的规划和分析，生成有依赖关系的模块化代码。

Paper2Code核心功能

• 自动化代码生成，能把机器学习论文直接变成完整的代码仓库，包括系统架构、依赖文件和配置文件。

• 多格式输入，支持PDF和LaTeX格式的论文，还能把PDF论文转成JSON格式。

• 三阶段处理流程，每个阶段都有专门的代理来处理，保证代码结构清楚，符合论文原意。

• 规划阶段，画高层次路线图，确定核心组件，建模模块间结构关系，识别文件依赖和执行顺序，生成配置文件方便研究人员定制实验。

• 分析阶段，细致解析每个文件和函数，明确功能、交互以及算法架构约束。

• 代码生成阶段，根据前面的成果合成整个代码库，保证模块调用一致，减少bug，保持逻辑连贯。

• 代码质量评估，支持有参考和无参考的评估，评分1 - 5。

优势：

• 高质量代码生成，在PaperBench基准测试里，Paper2Code比现有的代码生成框架和简单基线方法都好。

• 多智能体协作，通过多智能体框架让各阶段更好完成，提升代码生成质量。

• 结构化输出，生成的代码库结构清晰，有文件、模块、架构图和配置文件。

• 高可执行性，生成的代码基本不用改就能运行。

限制：

• 目前只支持机器学习领域的论文。

• 有些边缘情况还得人工调试。

• 还不支持生物学、物理学、经济学等领域。

Paper2Code应用场景

• 科研复现：帮研究人员从没代码的论文里复现结果。

• 教育：给学生从理论到实践的学习机会。

• 加速研究：让研究人员能更快在别人工作基础上研究。

• 实验调整：方便研究人员调整配置、架构和数据集。

实验评估显示，PaperCoder从机器学习论文生成的代码质量高，接近作者实现水平，比其他基线模型好。

开源链接

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