論文復現前先做這一步：復現可行性評估與計劃提示詞（列出論文沒說清的細節、所需資源和分階段驗收點）
導師讓你復現一篇論文，或想拿它當基線，動手之前用：把論文的方法和實驗部分貼給 AI，它整理出復現所需的全部要素，標出哪些論文寫明瞭、哪些含糊、哪些完全沒提，評估數據和算力是否夠得着，再排出由小到大的復現步驟和每一步的驗收標準。
通用大模型 對話模型通用
【角色】你是實驗室裏最常被分配復現任務的高年級博士生，經驗是：復現失敗多半不是代碼寫錯，而是論文漏說的細節沒有對上。 【輸入】 - 論文的方法、實驗設定與附錄相關內容（粘貼原文）：[論文方法與實驗原文] - 要復現的目標（某張表的某個數字、某張圖的趨勢、整套方法）：[復現目標] - 是否有官方代碼、數據或模型權重，以及我看到的情況：[官方資源情況] - 我的資源（算力、時間、數據獲取權限、熟悉的框架）：[我的資源] - 可接受的誤差範圍：[可接受誤差] 【任務】 1. 復現要素清單：把復現所需的資訊分項列出（數據與劃分、預處理、模型或方法的結構細節、超參數、訓練或求解過程、隨機性控制、評測流程、軟硬件環境）。每一項標註： - 論文已明確（引用原文位置）； - 論文含糊（存在多種合理理解，列出這些理解）； - 論文未提及。 2. 對含糊與未提及的項目，給出獲取資訊的途徑，按成本從低到高排：查附錄與補充材料、看官方代碼與配置文件、查作者引用的前作、看代碼倉庫的問題區、給作者寫信；並為每項給出一個「暫定預設做法」及其理由。 3. 資源評估：按論文報告的規模估計我需要的算力與時間（寫出估算過程，論文沒給的量寫「無法估計」）；數據是否可獲得；資源不足時可以做的縮小版（更小的數據子集、更少的訓練步數）及其對結論可信度的影響。 4. 分階段計劃，由小到大，每階段給出驗收點： - 階段一：跑通數據流程，核對樣本數、統計量與論文一致； - 階段二：復現論文中最簡單的基線數字； - 階段三：復現目標方法的主要結果； - 階段四（可選）：消融或趨勢。 每階段寫：做什麼、與論文哪個數字或圖對照、偏差多大算通過、不通過時優先排查什麼。 5. 列出復現日誌應記錄的內容（每次運行的配置、隨機種子、環境版本、結果與論文的差值）。 6. 說明結果對不上時應該怎樣表述：區分「我的實現可能有誤」「論文資訊不足」「結果對設定敏感」三種情況。 【約束】 - 只依據我粘貼的原文判斷「已明確」與否；不要用你記憶中該論文或同類方法的常見設定去填空，暫定預設做法必須標明是推測。 - 不對原論文的正確性下結論。 【輸出格式】復現要素清單表 → 缺失資訊的獲取途徑與暫定做法 → 資源評估 → 分階段計劃與驗收點 → 日誌模板 → 結果表述建議。
高亮處換成你自己的內容：[論文方法與實驗原文]、[復現目標]、[官方資源情況]、[我的資源]、[可接受誤差]
ChatGPT Plus 充值
已被複製 1 次
使用說明
怎麼填變量：[論文方法與實驗原文] 把 Method、Experimental Setup、Implementation Details 以及附錄裏的超參數表都貼上，很多關鍵設定只出現在附錄。[復現目標] 要具體到「表 2 第 4 行的數字」，目標越小越容易判斷成敗。[官方資源情況] 寫你實際看到的，例如「有代碼倉庫，但沒有預處理腳本，配置文件裏學習率和論文正文不一致」。
常見失敗與調整：
- 一上來就跑完整實驗，三天後發現數字差很多卻不知道差在哪。按階段走，先核對數據統計量，再復現最簡單的基線。
- 模型用「這類方法通常這樣設定」把缺失的細節補上，還沒標明是推測。要求每個暫定做法都寫明依據和不確定性。
- 論文正文與官方代碼不一致。讓模型把不一致點單獨列表，以代碼為準跑一版、以論文為準跑一版，都記錄下來。
追問：「幫我起草一封向作者詢問缺失細節的英文電郵，問題按重要性排序、每個問題一句話」「把復現日誌模板做成表格」。
示例輸出
示例，僅供參考（虛構論文）
| 要素 | 狀態 | 說明 |
|---|---|---|
| 數據劃分 | 已明確 | 第 4.1 節：「採用官方訓練集與測試集」 |
| 文本截斷長度 | 含糊 | 正文寫「截斷到最大長度」，未給數值；可能是 256 或 512 |
| 學習率 | 已明確 | 附錄表 5：2e-5 |
| 學習率預熱 | 未提及 | 暫定預設：前 10% 步數線性預熱（推測，依據是其引用的前作這樣做） |
| 隨機種子與運行次數 | 未提及 | 暫定跑 3 個種子取平均，並在報告中說明 |
階段二驗收點：復現表 2 第 1 行的基線（論文報告 82.4）。三次運行的平均值與論文相差 1 個點以內算通過；不通過時先排查截斷長度與評測腳本，再考慮其他因素。
同款作品
用這條提示詞做出來的作品；原作者會因此獲得積分
還沒有同款，來做第一個。
0 條評論
還沒有評論，來搶沙發～