AutoReproduce：基于论文谱系的自动人工智能实验复现
人工智能
2026-04-27 v4
摘要
高效复现研究论文对于加速科学进步至关重要。然而，所提出方法的日益复杂性常常使复现成为一项劳动密集型工作，需要深厚的领域专业知识。为解决此问题，我们引入了论文谱系，它系统地从引用文献中挖掘隐性知识。该算法作为我们提出的 AutoReproduce 的骨干，这是一个多智能体框架，旨在以完整的、端到端的方式自主复现实验代码。为确保代码可执行性，AutoReproduce 采用了一种基于采样的单元测试策略进行快速验证。为评估复现能力，我们引入了 AutoReproduce-Bench，一个包含经过验证实现的基准，以及用于评估复现和执行保真度的综合指标。在 PaperBench 和 AutoReproduce-Bench 上的广泛评估表明，AutoReproduce 在所有指标上均持续超越现有基线。值得注意的是，它在复现保真度和最终执行性能方面带来了显著提升。代码可在 https://github.com/AI9Stars/AutoReproduce 获取。
引用
@article{arxiv.2505.20662,
title = {AutoReproduce: Automatic AI Experiment Reproduction with Paper Lineage},
author = {Xuanle Zhao and Zilin Sang and Yuxuan Li and Qi Shi and Weilun Zhao and Shuo Wang and Duzhen Zhang and Xu Han and Zhiyuan Liu and Maosong Sun},
journal= {arXiv preprint arXiv:2505.20662},
year = {2026}
}
备注
Accepted by ACL 2026 Main