罗盘 / 机器学习实验可复现性危机
暗星档案 · 未点亮的星机器学习实验可复现性危机
本条为初评草案（AI 辅助编目）：T 阶为三问初评（撬动面 × 停滞度 × 临界性），双评过 σ 门并红蓝复核后才升"已建档"。查不到的字段留空不编。点亮者会进入亮星候选流程，其贡献与星阶按 HCF 独立重评，不从暗星自动继承。
机器学习实验可复现性危机T4 量级 · 亮星
论文说效果很好，换个人跑却复现不出来
所属星云让机器替人类做科研理解万物
暗星编号DS-0775
轴R · 风险与文明安全
领域ai-computing
状态初评草案 · 待双评与红蓝复核
这是什么 · 为什么难
机器学习研究普遍存在论文结果无法被独立复现的问题——原因包括代码或数据不公开、训练条件（随机种子、硬件、超参数）对结果敏感、验证方法论术语混乱等。攻破意味着：建立起让顶会论文结果能被独立第三方稳定复现的工程与制度规范，让科学进展真正建立在可验证的基础上，而不是「谁的论文写得漂亮就先信」。
卡在哪 · 机制级卡点
对于最前沿的大模型研究，复现的障碍已不只是「代码没公开」，而是训练所需的算力和数据规模本身就让绝大多数团队无法复现（哪怕代码全公开）——这是结构性的资源门槛问题；此外硬件和软件层面的不确定性（GPU并行计算的非确定性）让「完全比特级复现」在理论上就很难实现，学界对「多大误差范围内算复现成功」也无共识。
谁在攻
普林斯顿大学（2025年8月举办Machine Learning Reproducibility Challenge会议）；学术界持续在AI Magazine等期刊发表复现性综述研究
怎么参与
参与 ML Reproducibility Challenge，选一篇近期论文尝试独立复现其核心实验结果