可复现实验清单：让研究结论经得起复查

“我本地跑出来了”不是可复现性。别人能否在相同条件下得到接近结果，取决于环境、数据、代码、参数和记录是否完整。可复现实验不是为了让每次运行都得到完全相同的数字，而是让差异能够被解释。

实验开始前

• 固定代码版本、依赖版本和运行环境。
• 写清楚数据集名称、下载时间、版本、授权和预处理方式。
• 记录硬件、显卡驱动、随机种子和关键参数。
• 先定义主指标、基线、对照组和停止条件。

如果实验需要下载外部数据或调用模型服务，还要记录入口、模型版本、请求参数、配额和价格。服务端模型会更新时，必须把本次运行的时间和返回配置保存下来。

实验进行中

每一次运行都应该有唯一编号，并保存输入、配置、输出指标和日志。失败运行也要留下记录：失败原因、是否重试、重试后是否改变参数。删除失败记录会让后续分析高估稳定性。

对于随机实验，不要只报告最好的一次结果。至少说明运行次数、聚合方式和波动范围。对于小样本或探索性实验，要明确它的结果只能支持什么程度的判断。

实验结束后

把 README、配置文件、数据说明、运行命令和结果摘要放在一起。用一个最小复现任务验证新环境能否完成完整链路，再发布图表或写结论。

最后单独写一段“没有做到什么”：未公开的数据、未固定的服务版本、缺少的消融实验和已知的测量误差。透明列出限制，通常比使用绝对化的结论更有研究价值。

可复现性是研究质量的一部分，但它不等于结论一定正确。复现只能说明在给定条件下结果是否稳定，不能替代理论分析和独立验证。