一句话定义
论文复现率（Reproduction Rate）是指一批研究成果中，能被其他团队照着论文描述重做一遍、并得到相同结论的比例。它衡量的不是"这个模型有多强"，而是"这个结论别人能不能得到"。
为什么会有这个指标
AI 圈有个尴尬的现实：论文里刷出的数字，别人常常跑不出来。原因很朴素——随机种子（random seed）不同、超参数没写全、训练数据没公开、算力规模差一个数量级、评估脚本各写各的。更麻烦的是数据污染（data contamination）：测试集的题不小心混进了训练数据，模型"背过答案"，分数自然虚高。
打个比方：论文是菜谱，复现率就是"别人照着这本菜谱，能不能炒出同一个味道"。如果一百道菜只有十几道能复刻，问题多半不在厨师手抖，而在菜谱漏了关键步骤，甚至作者当初也没真做成。
这种落差在"大新闻"里最刺眼。此前"AI 攻克千禧年难题"之类的消息刷屏，随后有评估指出，这类 AI 产出的结果中只有约 13.98% 能被独立复现——绝大多数"突破"经不起第二个人坐下来验算一遍。（该比例来自特定评估的口径与样本，具体以原始报告为准。）
和相邻概念的区别
| 概念 | 回答的问题 | 关注点 |
|---|---|---|
| 准确率（Accuracy） | 模型这次跑得有多好？ | 单篇论文的分数 |
| 可复现性（Reproducibility） | 同数据同方法重跑，结果一样吗？ | 单次实验的稳定性 |
| 可重复性（Replicability） | 换数据、换实现，结论还成立吗？ | 结论的普适性 |
| 论文复现率 | 一批论文里有多少能通过上述检验？ | 整个领域的健康度 |
简单说：前几个是"体检项目"，复现率是"体检报告的合格率"。
对从业者和普通人意味着什么
读论文时，先看有没有开源代码、数据说明和随机种子；做技术选型时，别只信榜单上的 SOTA（state-of-the-art，当前最优），自己跑一遍 baseline（基线）比什么都实在。看到"AI 又攻破某难题"的标题，最有用的一问是：有人复现了吗？