这个开源项目很有意思。
平时会看到很多论文，即使是感觉很好，但复刻却很麻烦。
今天给大家推荐的Paper2Code，看名字就知道了，能把论文转换成代码。
不用再担心浪费时间了，拿不准的论文也可以先测试了再说。
扫码加入AI交流群
获得更多技术支持和交流
（请注明自己的职业）
项目简介
Paper2Code 是一个开源的多智能体 LLM 框架，可将机器学习论文自动转化为功能代码仓库。它通过规划、分析和生成三阶段流程，先从论文构建高层路线图、设计系统架构、确定文件依赖并生成配置文件，再解读具体实现细节，最后生成模块化代码。
该框架在 Paper2Co2deBench 和 PaperBench 等基准测试中表现出色，生成的代码仓库完整度高、结构清晰，88% 的生成仓库在基线对比中表现最佳，92% 的人类评委认为其有助于研究复现。生成的代码可执行性强，平均仅 0.81% 的代码行需修改。
流程图
技术特点
多智能体大型语言模型框架：Paper2Code是由一组专门的智能体协作构成，每个智能体负责代码生成流程中的特定任务。
三阶段代码生成流程：
-
规划 (Planning)：此阶段构建高层路线图，设计包含图表的系统架构，识别文件依赖关系，并生成配置文件。这一阶段进一步细分为四个子组件：整体规划、架构设计、逻辑设计和配置生成。
-
分析 (Analysis)：专注于解释与具体实现相关的细节，针对规划阶段确定的每个文件生成详细的实现说明，包括功能目标、输入输出行为、依赖关系及算法规格。
-
生成 (Generation)：产出模块化的、能够感知依赖关系的代码。代码文件按照逻辑设计阶段确定的执行顺序依次生成，确保依赖的正确性。
无需预先实现：与一些依赖部分代码片段或API的工作不同，Paper2Code 可以仅从研究论文（无需访问现有代码、API或其他补充材料）实现完整的代码。
模拟人类开发流程：PaperCoder 的三阶段流程模拟人类开发者和研究者编写代码库的典型生命周期。
上下文感知编码：在编码阶段，每个文件的生成都基于先前所有阶段积累的上下文信息，包括规划成果、分析结果以及原始论文内容。
项目链接
https://github.com/going-doer/Paper2Code
关注「开源AI项目落地」公众号
（文：开源AI项目落地）