复现卡壳往往不是因为方法难，而是论文里缺了几样关键信息。这篇列出最常见的六个缺口、判断一篇论文能不能复现的方法，以及复现不出来时该怎么处理。

复现一篇论文，最常见的经历是这样的：方法部分读起来很清楚，代码也照着写了，跑出来的数字就是对不上原文。反复检查自己的实现，找不出错。多数时候错不在你。论文的写作目标是让人理解方法，不是让人重跑实验。期刊有篇幅限制，作者默认读者了解领域常识，于是一些对复现至关重要的信息就被压缩掉了。六个最常见的缺口一、超参数只写了一部分。学习率写了，批大小写了，但优化器的具体配置、学习率调度方式、训练轮数怎么定的没写。这些在原作者那里是"默认设置"，但不同人的默认不一样。二、数据预处理一笔带过。 "对数据进行标准化处理"——按什么维度标准化？在划分训练测试集之前还是之后？后者会造成信息泄漏，两种做法出来的结果能差出好几个百分点。三、数据划分方式不明。训练测试怎么分的，随机种子是多少，有没有按某个变量分层。样本量小的时候，换个随机种子结果就能翻一个身。四、评价指标的具体算法。同一个名字的指标可能有几种算法。多分类的 F1 是宏平均还是微平均？这个差别常常比方法本身带来的提升还大。五、报告的是哪一次结果。是多次运行的均值，还是最好的一次？论文里常写"我们运行了五次"，但表格里那个数是均值还是最优值，经常没交代。六、有一段没写出来的工程处理。数据清洗时剔除了某类样本、训练时用了某个技巧、遇到不收敛时怎么重来的。这些在作者看来是琐碎细节，对复现的人来说是决定性的。怎么判断一篇论文值不值得花时间复现动手之前先做个快速评估，避免投入几天才发现根本不可能：数据能不能拿到。公开数据集最好；专有数据但描述了统计特征的还可以模拟；什么都没有的，只能验证实现逻辑，没法对账。方法描述的完整度。把方法部分拆成"数据处理、模型、训练、评价"四块，看每一块能不能写成可执行的步骤。有两块以上写不出来的，复现难度会陡增。有没有开源代码。有代码就不是复现问题，是运行环境问题，性质完全不同。结果是否异常出色。提升幅度远超同期工作的，要么有独到之处，要么有未说明的处理。这类论文复现价值高，但预期要放低。复现不出来的时候，怎么处理这是最容易走偏的一步。常见的错误做法是不断调参数，直到数字接近原文。这样做出来的东西没有意义：你只是找到了一组能凑出那个数的参数，并没有复现原方法。正确的做法是把差异当成信息： 1. 先确认自己的实现在简单情况下是对的：用一个已知答案的小例子跑一遍 2. 逐块排查：数据处理阶段的中间结果和论文描述对得上吗？模型规模和论文报告的参数量一致吗？ 3. 把差异记下来并说清楚：哪些复现出来了，哪些没有，你排查了哪些方向，最可能的原因是什么复现失败本身就是有价值的结论，前提是你能说清楚失败在哪一步。学术界近年对可复现性的重视，很大程度上就是这类记录累积起来的结果。工具能帮到哪一步这件事里重复的部分是：读懂方法、拆成步骤、把缺失信息列出来、写代码、跑、对账、定位差异。这些都可以交给工具做，论文复现智能体承担的就是这一段。但有两件事必须由人决定：论文里没写清楚的地方该按哪种理解走（这需要领域判断），以及差异到什么程度算复现成功（这是学术标准问题）。所以合理的分工是：工具把缺口逐条列出来并给出建议取值，人来拍板；工具跑完给出逐项对账表，人来判断这个结果算不算复现。关键是不要让工具替你把差异抹掉。一个自动把参数调到结果吻合的工具，比不能复现更危险。相关阅读：实证数据分析讲的是怎么让分析过程本身可核查。