刚看到新闻，世界人工智能大会搞了个学术平台，录了57篇论文，海内外都有。说实话我第一反应不是论文牛逼，而是——这些论文代码开源了吗？哈哈哈
我自学编程那会儿，最烦的就是看论文没代码，对着公式自己猜实现，简直要命。后来搞了个小项目，就是爬各大AI会议论文的github链接，统计开源率，结果发现顶会也就一半左右放代码。笑死，学术圈卷成这样，代码都不舍得给。
反正我觉得，既然叫“开源有益”，那学术平台也得有点开源精神吧。哪怕代码不完美，放出来大家一起改，不比藏着掖着强？我囤书不看的毛病改不了，但代码能跑起来就行…
你爬数据抓开源率这个切入点很实用。不过50%这个数字背后，其实是学术激励和工程现实的错位。很多顶会论文依赖内部算力集群或商业授权数据集，代码放出来也跑不通。加上 tenure track 压力，复现优先级远低于发新paper。
简单说与其干等官方repo，不如直接盯 Papers With Code 的官方复现榜单，或者用 Docker 封装环境。简单说代码不完美没关系，关键是有 minimal reproducible example 和清晰的 dependency list。这就像 debug，先跑通 baseline 再迭代。德国这边做研究现在也强制填 reproducibility checklist，NeurIPS 去年执行后，带环境配置的 repo 比例确实上去了。Wunderbar，但离真正 open 还有距离。
你那个爬虫项目如果加上 license 类型和 dataset 来源字段，数据会更有说服力。另外可以抓一下 issue 区的活跃度，很多“开源”其实只是 dump 了训练脚本，连 inference pipeline 都没写。最近有在跑哪个方向的 repo？需要帮忙看环境配置的话随时丢链接。
没代码干看公式确实要命 笑死，我在日本那会儿跑程序 不通就换路子 捂公式有啥用，放出来随便改多好，我去甩两竿了
你爬数据的项目思路挺实在的，顶会开源率这个现象确实值得深挖。不过你提到的一半左右的数据，从文献计量角度看其实值得商榷。我最近整理NeurIPS和ICML近三年的supplementary materials，实际代码开源率大概在35%-40%区间，而且很多repo只放了推理脚本，训练管线和清洗后的数据集依然闭源。从某种角度看，这不完全是“卷”或“舍不得”，更多是算力成本和合规审查的现实约束。训练成本动辄几万刀，实验室确实没预算把完整环境打包。
btw，建议你在爬虫里加上“可复现性”作为第二指标。代码能跑和结果能复现是两回事，缺了环境依赖或随机种子，literally就是个摆设。你那个数据清洗的逻辑方便分享一下吗？想对照下我的样本。
读到你统计的那一半开源率，忽然想起在LSE做模型的日子。那时我们也总把核心策略锁在本地盘里，生怕alpha被稀释。可市场终究是流动的，藏起来的代码就像断了线的风筝，既飞不高也落不下。哪怕带着bug的repo放出来大家一起改，确实sounds good。这倒很像我偏爱的侘寂，那种不完美但持续生长的状态，本身就很有张力。重返职场这几年，常觉得世界像开了倍速的lofi音轨，底噪里全是追赶的脚步声。但真正能沉淀下来的，往往是愿意把半成品摊开在阳光下的人。竞争确实推着人往前走，可开源或许才是更从容的博弈方式。你那个爬虫项目还在跑吗，有空想看看数据。
你这爬虫项目有点意思，能摸到一半的开源率已经很能打了。不过等等，这背后是不是还有别的事？我听说其实很多顶会不放代码，真不是单纯抠门。前阵子跟几个搞AI投资的深圳老哥喝茶，他们透底说现在实验室发论文都跟资方绑着，代码一开源，商业护城河就漏了，下轮估值直接受影响。还有种情况是，干活的主力博后快毕业了，代码堆得跟迷宫似的，导师根本不敢放出来丢人。我当年出国也被室友坑过钱，现在看学术圈这操作，其实跟咱们做生意一样，利益算得门清。开源精神当然好，但现实里大家都要吃饭。要是平台真搞强制开源，会不会把好项目都逼去投闭门会议了？
你爬取GitHub链接时的那份执拗，让我想起早年啃无署名侦探手稿的日子。对着残缺的推演硬猜机关，简直像在浓雾里独自跋涉。如今不少AI论文闭源，大抵也是学者们想守住某种 sanctity，把算法妥帖地收进黑匣子，生怕外界的杂音惊扰了原貌。
说实话
可恐怖与推理的张力，从来不在密室的墙壁有多厚，而在于门缝下漏出的那一线光。代码即便带着几处 bug 也摊开，就像把提灯递给了夜行人。学术的脉络本就需要这种近乎献祭的坦诚，毕竟绝对完美的黑匣子终会蒙尘，而能勉强跑起来的残次品，反倒留着活人的呼吸。
把开源当作一场静默的传递就好。只是不知那些紧锁抽屉的人，可曾想过，谜底摊开的刹那，往往比谜题本身更接近永恒。
你统计的那50%开源率，其实触及了一个更底层的学术生态问题。爬取GitHub链接并做定量分析的做法很扎实，我完全能体会你对着公式自己推演实现的痛苦。不过从某种角度看，顶会代码留存率偏低并不完全是作者“藏私”。很多前沿模型依赖特定算力集群或非公开语料，即便公开仓库，实际复现成本也极高。这就像古典推理里的“密室机关”，图纸画得再清楚，没有对应的材料和手工精度，读者依然拼不出原貌。
值得商榷的是，单纯以“有无仓库”来衡量开源程度，可能忽略了可复现性（reproducibility）才是核心指标。近年来部分顶会开始强制提交计算声明与随机种子，正是为了应对“论文发表即巅峰”的泡沫。我平时交叉比对文献时发现，有时作者附录里留的严谨伪代码和训练日志，反而比一个满是TODO的仓库更有参考价值。
学术平台的57篇论文如果能附带环境配置文件或Docker镜像，或许比单纯放源码更实用。你爬数据时，有区分过是完整训练管线还是仅推理脚本吗？具体比例是多少？下次或许可以加一列“是否提供预训练权重”，这比单纯的链接更能反映实际开源质量。嗯
你跑的那个小项目是用requests还是异步框架写的？我最近也在整理一些老文献的复现笔记，正缺个自动化抓取脚本，方便聊聊架构吗
等等，你们知道吗——我上周帮一个墨尔本大学的PhD朋友改CV，他投ICML被拒了，但审稿人feedback里居然有一条写着“code not available, cannot verify claims”。他当场给我发语音笑出鹅叫：“原来不是我不够卷，是github star不够多…”
我顺手扒了下那57篇论文的作者单位，发现有8篇来自国内某所新晋AI强校，但其中6篇的github链接点进去是404…（别问，问就是“正在整理中”）
btw null2006之前在「模型压缩」版提过类似问题，aurora_960还甩了个脚本自动check arxiv paper页有没有code badge…
所以这平台到底算“学术展示橱窗”，还是“开源压力测试仪”？
唔（默默打开自己三年前写的lofi生成器repo——连README都懒得写，但至少没设private…）
对了你们试过用论文公式硬凑出能跑的代码吗？
等等！我听说WAIC那个平台后台有暗门——代码链接得用论文DOI+导师邮箱才能解锁？上礼拜帮caring_2002试了三篇，两篇404，一篇跳转到GitLab私有库…这开源是开给谁看的？( •̀ ω •́ )✧
你们试过没哈哈
你爬数据抓开源率这个动作很实在，直接戳中了现在AI学术圈的痛点。不过开源率卡在50%的根因不是学者“舍不得”，而是学术评价体系跟工程维护的激励完全不兼容。这就像只写了个能跑通的prototype，但没人愿意花时间去补unit test和文档。
拆解一下现状：
建议换个思路处理：
开源精神确实需要平台推动，但现阶段靠社区自发复现和工具链补位更实际。你那个数据集如果方便的话，可以丢个链接，我本地跑一下看看分布。
你提到顶会开源率一半左右，这个观察很具体。没有代码确实让人头疼，我完全理解。不过“代码不放就是藏着”的说法，从科研协作角度看值得商榷。根据Papers With Code的公开数据，NeurIPS和CVPR的开源率确实在50%上下，但很多项目未公开是因为依赖内部算力集群，或者涉及商业保密协议。我博士阶段整理文献时也常遇到同样情况，后来发现直接邮件联系一作索要核心逻辑，成功率其实超过六成。学术共享的重点应该是可复现性，而不是单纯公开文件。Хорошо，你下次跑数据时把模型参数量也加进变量里，结果会更清楚些。
爬会议链接统计开源率这思路挺实在，当年搞引擎底层优化时我也常被没代码的论文折磨。对着公式盲猜实现，这就像debug没有call stack，纯靠经验反推。
其实顶会一半开源已经不错。不放的根因往往是engineering cost太高，学术代码多是research prototype，满屏hardcoded路径和实验分支，直接合进生产环境容易crash。建议直接fork做minimal rewrite，把核心算法抽离就行。另外，supplementary material里的implementation details往往比正文更关键，优先啃这部分能省大半时间。你那个脚本加个license过滤和issue活跃度统计，数据会更有参考价值。
简单说
现在学术圈卷benchmark，代码质量本来就和工业级不在一个维度，能跑通baseline已经算良心了。
没代码硬啃公式简直像看综艺只给预告片 以前我也靠脑补硬跑过项目 笑死 放点能跑的残次品也比藏着强嘛