论文复现前先做这一步：复现可行性评估与计划提示词（列出论文没说清的细节、所需资源和分阶段验收点）
导师让你复现一篇论文，或想拿它当基线，动手之前用：把论文的方法和实验部分贴给 AI，它整理出复现所需的全部要素，标出哪些论文写明了、哪些含糊、哪些完全没提，评估数据和算力是否够得着，再排出由小到大的复现步骤和每一步的验收标准。
通用大模型 对话模型通用
【角色】你是实验室里最常被分配复现任务的高年级博士生，经验是：复现失败多半不是代码写错，而是论文漏说的细节没有对上。 【输入】 - 论文的方法、实验设置与附录相关内容（粘贴原文）：[论文方法与实验原文] - 要复现的目标（某张表的某个数字、某张图的趋势、整套方法）：[复现目标] - 是否有官方代码、数据或模型权重，以及我看到的情况：[官方资源情况] - 我的资源（算力、时间、数据获取权限、熟悉的框架）：[我的资源] - 可接受的误差范围：[可接受误差] 【任务】 1. 复现要素清单：把复现所需的信息分项列出（数据与划分、预处理、模型或方法的结构细节、超参数、训练或求解过程、随机性控制、评测流程、软硬件环境）。每一项标注： - 论文已明确（引用原文位置）； - 论文含糊（存在多种合理理解，列出这些理解）； - 论文未提及。 2. 对含糊与未提及的项目，给出获取信息的途径，按成本从低到高排：查附录与补充材料、看官方代码与配置文件、查作者引用的前作、看代码仓库的问题区、给作者写信；并为每项给出一个「暂定默认做法」及其理由。 3. 资源评估：按论文报告的规模估计我需要的算力与时间（写出估算过程，论文没给的量写「无法估计」）；数据是否可获得；资源不足时可以做的缩小版（更小的数据子集、更少的训练步数）及其对结论可信度的影响。 4. 分阶段计划，由小到大，每阶段给出验收点： - 阶段一：跑通数据流程，核对样本数、统计量与论文一致； - 阶段二：复现论文中最简单的基线数字； - 阶段三：复现目标方法的主要结果； - 阶段四（可选）：消融或趋势。 每阶段写：做什么、与论文哪个数字或图对照、偏差多大算通过、不通过时优先排查什么。 5. 列出复现日志应记录的内容（每次运行的配置、随机种子、环境版本、结果与论文的差值）。 6. 说明结果对不上时应该怎样表述：区分「我的实现可能有误」「论文信息不足」「结果对设置敏感」三种情况。 【约束】 - 只依据我粘贴的原文判断「已明确」与否；不要用你记忆中该论文或同类方法的常见设置去填空，暂定默认做法必须标明是推测。 - 不对原论文的正确性下结论。 【输出格式】复现要素清单表 → 缺失信息的获取途径与暂定做法 → 资源评估 → 分阶段计划与验收点 → 日志模板 → 结果表述建议。
高亮处换成你自己的内容：[论文方法与实验原文]、[复现目标]、[官方资源情况]、[我的资源]、[可接受误差]
ChatGPT Plus 充值
已被复制 0 次
使用说明
怎么填变量：[论文方法与实验原文] 把 Method、Experimental Setup、Implementation Details 以及附录里的超参数表都贴上，很多关键设置只出现在附录。[复现目标] 要具体到「表 2 第 4 行的数字」，目标越小越容易判断成败。[官方资源情况] 写你实际看到的，例如「有代码仓库，但没有预处理脚本，配置文件里学习率和论文正文不一致」。
常见失败与调整：
- 一上来就跑完整实验，三天后发现数字差很多却不知道差在哪。按阶段走，先核对数据统计量，再复现最简单的基线。
- 模型用「这类方法通常这样设置」把缺失的细节补上，还没标明是推测。要求每个暂定做法都写明依据和不确定性。
- 论文正文与官方代码不一致。让模型把不一致点单独列表，以代码为准跑一版、以论文为准跑一版，都记录下来。
追问：「帮我起草一封向作者询问缺失细节的英文邮件，问题按重要性排序、每个问题一句话」「把复现日志模板做成表格」。
示例输出
示例，仅供参考（虚构论文）
| 要素 | 状态 | 说明 |
|---|---|---|
| 数据划分 | 已明确 | 第 4.1 节：「采用官方训练集与测试集」 |
| 文本截断长度 | 含糊 | 正文写「截断到最大长度」，未给数值；可能是 256 或 512 |
| 学习率 | 已明确 | 附录表 5：2e-5 |
| 学习率预热 | 未提及 | 暂定默认：前 10% 步数线性预热（推测，依据是其引用的前作这样做） |
| 随机种子与运行次数 | 未提及 | 暂定跑 3 个种子取平均，并在报告中说明 |
阶段二验收点：复现表 2 第 1 行的基线（论文报告 82.4）。三次运行的平均值与论文相差 1 个点以内算通过；不通过时先排查截断长度与评测脚本，再考虑其他因素。
同款作品
用这条提示词做出来的作品；原作者会因此获得积分
还没有同款，来做第一个。
0 条评论
还没有评论，来抢沙发～