AI编程已杀疯，机器学习论文代码自动生成，100%开源，支持DeepSeek！
仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
大家好，我是Ai学习的老章
之前推荐过N多读论文神器，比如可以用大模型下载论文、总结论文，效率飞起的ArXivMCP服务器、整篇翻译并保留样式的看论文神器，一键翻译，体验很爽、还有最近刚刚分享的斯坦福学生搞出的论文神器太逆天！秒搜热门论文，3分钟搞定论文总结、翻译，效率飙升100倍！的AlphaXiv
今天再推荐一个更强大的，可以复现机器学习论文代码的工具——Paper2Code
开源代码不支持DeepSeek,稍作修改就可以使用DeepSeekAPI了
一句话总结，PaperCoder旨在通过利用大型语言模型（LLM）在多代理系统中直接从机器学习研究论文中生成完整的、可执行的代码库。
“尽管机器学习研究快速增长，相应的代码实现通常不可用，使研究人员复现结果和基于先前工作构建变得缓慢且劳动密集。”
顶级机器学习会议的分析表明，只有一小部分被接受的论文提供了相应的代码：
PaperCoder通过将研究库生成形式化为软件开发问题来解决可重复性挑战。
该框架可以表示为M(R)=C，其中：
R是包含方法和算法的研究论文
C是生成的代码库
M是执行转换的基于LLM的模型
该系统采用三阶段方法，该方法反映了人类的软件开发过程：
规划阶段：创建高级路线图，包括架构设计（类图和序列图）、文件依赖关系识别和配置文件生成。
分析阶段：对每个文件和函数进行细粒度的解释，分析输入、输出、交互和算法约束。
生成阶段：根据规划期间确定的执行顺序合成整个代码库。
每个阶段都使用专门的LLM代理来实现，这些代理协同工作以完成任务，这使得PaperCoder成为一个复杂的多代理系统。
效果怎么样呢？
PaperCoder的性能优于软件开发工作基线，如ChatDev和MetaGPT，表明其专门设计的有效性。
作者与专家（包括原始论文作者）进行了评估，以评估生成代码的质量。结果显示：
PaperCoder生成的存储库中有77%被人类评估者评为最佳
85%的人类评审员报告说生成的存储库很有帮助
如何使用呢？
安装
输出结果如下
系统的工作流程是：
将PDF论文转换为JSON格式0_pdf_process.py:4-17
分析论文内容并生成实现计划1_planning.py:26-36
进行逻辑分析2_analyzing.py:49-54
生成代码实现3_coding.py:43-50
不过这个项目是默认OpenAI的api，本地运行也只支持vllm拉起的模型。
我看了一下，其实该起来也非常简单
比如把OpenAI切换为DeepSeek，需要修改的脚本不多
修改API客户端初始化和调用：
codes/1_planning.py-规划生成组件1_planning.py:1-16
codes/2_analyzing.py-逻辑分析组件2_analyzing.py:1-20
codes/3_coding.py-代码生成组件3_coding.py:1-19
把
修改为下面即可
如果你用的是DeepSeek官方API，base_url改为https ://api.deepseek.com_/v1
其他类似
然后修改scripts/run.sh中的环境变量设置：run.sh:1-3
然后就全部ok
最后推荐一个我正在学习的Cusor快速入门与实战
制作不易，如果这篇文章觉得对你有用，可否点个关注。给我个三连击：点赞、转发和在看。若可以再给我加个🌟，谢谢你看我的文章，我们下篇再见！
搭建完美的写作环境：工具篇（12章）图解机器学习-中文版（72张PNG）ChatGPT、大模型系列研究报告（50个PDF）108页PDF小册子：搭建机器学习开发环境及Python基础116页PDF小册子：机器学习中的概率论、统计学、线性代数史上最全！371张速查表，涵盖AI、ChatGPT、Python、R、深度学习、机器学习等
