機械学習の分野では、科学論文のコード実装が欠けていることが多く、研究の再現性やイノベーションが遅れています。しかし、最近の大型言語モデル(LLM)は、科学文献の理解と高品質なコード生成において優れた性能を示しています。このため、私たちはPaperCoderを提案します。これは、機械学習論文を機能的なコードリポジトリに自動変換するマルチエージェントLLMフレームワークです。PaperCoderのプロセスは3つの段階に分かれています:計画段階では実装ロードマップを作成し、システムアーキテクチャを設計し、ファイルの依存関係を特定し、設定ファイルを生成します。分析段階では実装の詳細を解釈し、生成段階ではモジュール化され、依存関係を考慮したコードを生成します。私たちの実験は、PaperCoderが高品質な実装を生成する有効性を示しており、特にPaper2CodeBenchおよびPaperBench Code-Devベンチマークで優れた結果を示しています。さらに、このフレームワークは異なるLLMモデル間で強力な実行能力を示し、コード行のわずか0.81%に軽微な修正を加えるだけで動作します。実装上の課題はありますが、PaperCoderの取り組みは科学研究の進歩を加速するための重要な一歩です。今後の方向性には、コードに主に依存しない他の分野への拡張や、ビジュアル入力の処理能力の強化が含まれます。タスクの作成に成功したら、task_idを取得し、それを使用してタスククエリインターフェースをポーリングします。1つのタスクには通常約10分かかります。 Request
Body Params multipart/form-data
Request Code Samples
curl --location --request POST 'https://api.302.ai/302/paper2code/task' \
--header 'Authorization: Bearer sk-mfYQzy0XTFfz4P16vRE4gFrKK1Nly4TozsMqbbb9PSiJUvFO' \
--form 'paper_file=@""' \
--form 'model_version="o3-mini"'
Modified at 2025-07-01 08:30:32