Papers with Code翻译站点

2018年于伦敦创立，由Atlas ML运营，后将arXiv机器学习论文与GitHub实现关联，维护任务体系、SOTA榜单、数据集与方法库；2019年并入Meta，用于查实现、看基准、做复现与模型选型。

产品概述

Papers with Code 以“论文—代码—结果”映射为核心，按计算机视觉、自然语言处理、语音、强化学习、图学习、科学计算等任务组织内容，自动/众包抓取 arXiv 新稿并关联 GitHub 实现，提取准确率、FID、BLEU、perplexity 等指标形成可排序排行榜。用户可按框架筛选 PyTorch、TensorFlow、JAX、MXNet，按星标、发布时间、数据集查看实现成熟度；平台同时提供 Methods 方法库、Datasets 数据集入口、Libraries 开源库导航、状态周报与研究领域概览。研究者可提交结果、修正榜单、补充复现说明；与 arXiv 代码 Tab、Meta 研究体系打通后，更适合做文献调研、SOTA 对比、实验选型和开题立项。2025 年后站点逐步转向只读/归档，日常新论文追踪可结合 Hugging Face Papers 使用。

核心特点

• 论文代码强关联：arXiv 与 GitHub 实现一一对应，减少“找到论文找不到代码”的成本
• SOTA 榜单标准化：按任务、数据集、指标汇总最优结果，支持横向复现对比
• 任务覆盖全：CV、NLP、语音、多模态、强化学习、医疗、时间序列、图、科学计算均建体系
• 框架与可复现筛选：PyTorch/TensorFlow/JAX/MXNet 标签、星标数、许可、依赖版本可查
• 方法库与数据集联动：新模型关联所用算法、基准数据与评测脚本，便于快速落地
• 研究效率工具属性强：周报、趋势、里程碑、顶会进度、可投稿方向一站概览
• 适合角色清晰：高校做文献综述与开题、算法岗做基准选型、工程师做复现排期、投资人看技术演进
• 当前使用建议：历史榜单仍具参考值；追每日新稿用 Hugging Face Papers，重工程实现用 GitHub 原仓交叉核对