AI 开源工具链复现：环境锁定比安装成功更重要
一、pip install 成功只是开始
复现 AI 开源项目时，很多 README 写得很顺：安装依赖、下载模型、运行 demo。真正复现时却会遇到 CUDA 版本不匹配、依赖冲突、模型权重失效、数据集链接变化、默认参数缺失等问题。pip install成功只是开始，不代表实验可复现。
复现的目标不是让 demo 跑一次，而是让结果在明确环境下可以再次得到。环境锁定比安装成功更重要。
二、复现链路要锁定多个层级
flowchart TD A[复现环境] --> B[操作系统] A --> C[Python 版本] A --> D[CUDA 与驱动] A --> E[依赖版本] A --> F[模型权重] A --> G[数据集版本] A --> H[运行参数] B --> I[复现报告] C --> I D --> I E --> I F --> I G --> I H --> I少锁一层，都可能让后续结果漂移。
三、记录环境快照
python -V pip freeze > requirements.lock.txt nvidia-smi python -c "import torch; print(torch.__version__, torch.version.cuda)"如果使用 conda、uv、poetry 或 Docker，也要保存对应 lockfile 或镜像 digest。版本号要能让别人复原环境。
四、权重和数据集要校验 hash
模型权重链接可能被覆盖，同名文件不一定内容相同。下载后记录 hash，可以避免后续悄悄变化。数据集也一样，尤其是社区维护的数据包。
默认参数要显式化。很多项目把关键参数写在脚本默认值里，README 没有说明。复现报告应列出 batch size、seed、checkpoint、评测 split 和预处理方式。
还要记录失败补丁。复现时改了哪几行代码、为什么改、是否影响结果，都要写清楚。否则“跑通版本”会变成一个无法解释的本地分支。
最后，复现结论要分级。能运行 demo、能复现论文指标、能复现消融结果、能迁移到新数据，是不同层级。不要把最低层级说成完整复现。
复现还要记录硬件差异。同一套代码在不同 GPU、CPU、磁盘和网络环境下，速度、显存和稳定性都可能不同。若报告包含性能数字，硬件信息必须和软件环境一起写清楚。
容器化能降低环境漂移，但不能解决所有问题。Docker 镜像也要锁 digest，基础镜像更新、系统库变化和驱动映射都会影响结果。只写镜像 tag，不写 digest，仍然可能复现到不同环境。
依赖冲突要记录解决过程。比如降级某个库、替换某个算子、关闭某个加速选项，这些改动会影响结果解释。复现报告不是只写成功路径，失败和修复同样是证据。
最后，复现输出要保存原始日志。最终指标表格可能经过清洗和整理，原始 stdout、stderr、配置文件和 checkpoint 列表能帮助后续审计。没有原始记录，复现可信度会下降。
还要区分作者环境和复现环境。原项目可能只在特定系统和依赖组合下验证过，复现者使用不同环境时，结果偏差不一定说明论文错误，也可能是环境差异。报告应写清哪些差异无法消除。
自动化脚本也很重要。把安装、下载、预处理、训练、评测拆成可执行命令，比一段文字步骤更容易复查。脚本越接近一键运行，复现成本越低。
最后，复现失败也值得发布。只要记录清楚环境、步骤、错误和排查过程，失败报告同样能帮助后来者定位问题。复现不是只展示成功结果，而是把不确定性公开出来。
五、总结
AI 开源工具链复现要锁定系统、Python、CUDA、依赖、权重、数据和参数。安装成功只是最低门槛，可复现需要环境快照、hash 校验和补丁记录。结果能再次得到，才算真正复现。
