🔺 我們晚了20天才加入。六天後，我們排名第71名。 我們在ICML 2026代理人還原挑戰賽開始20天後才加入，當時距離完成構建、測試、文檔撰寫、發布和辯護僅剩不到一週時間。 六天後，AITrailblazer在350名參賽者中排名第71名，約為前20%，在6項被評審的論文還原中獲得44分。 這一成績代表了22項研究主張被獨立驗證或證偽。 我們的三本日誌獲得了滿分10/10。 一本獲得8/10。 另一本目前為6/10。 我們部分發布的Tool-Guard證據審計獲得零分，但也讓我們學到了整個挑戰中最重要的一課： 檢查作者發布的結果，與獨立還原這些結果，存在根本性差異。 我們沒有26天的時間來研究排行榜、選擇簡單主張、優化流程並逐步改進提交內容。 我們只有六天。 在這六天裡，我們必須找到合適的論文、理解其核心主張、定位已發布的代碼與數據、設計獨立測試、運行實驗、保存證據、計算哈希值、記錄限制條件、發布公開的Trackio Spaces，並等待獨立評審員。 我們專注於科學還原應真正意味的內容： 公開且可檢視的證據。 可執行的方法。 盡可能確定性的計算。 精確的哈希值與來源追溯。 設計負面控制以捕捉虛假一致。 明確區分獨立證據與作者發布的工件。 誠實記錄我們能還原與不能還原的部分。 這一成就之所以重要，是因為AI能夠極快地生成看似合理的解釋。 但科學進步並非來自僅僅聽起來正確的解釋。 它來自能通過獨立測試的主張。 它也來自與成功確認一樣仔細記錄的負面結果。 該挑戰通過對驗證與證偽主張給予同等分數，認可了這一原則。 這非常重要。 一項嚴謹的結果，證明某主張無法還原，其對科學的價值可能與成功確認一樣大。它能防止錯誤的自信、揭示隱藏假設，並為未來研究者奠定更堅實的基礎。 我們目前的情況也說明了還原性基礎設施的重要性。 我們最新的Prediction-Powered Inference更新已公開、運行正常，並被自動評審員成功檢測到。 然而，三次評估嘗試均失敗，因為Hugging Face推理路由器返回了服務端HTTP 504錯誤。 我們已請求管理層重新排隊，未更改證據、未請求人工裁決，也未提交替代結果。 在自動評估恢復之前，排行榜仍反映我們現有的44分與第71名位置。 最終排名仍可能改變。 其他參賽者仍在提交成果。我們的PPI更新仍可能被重新評估。隨著截止日期臨近，排行榜仍持續更新。 但無論最終排名如何，在晚了20天加入的情況下，僅用六天便達到350人中的第71名，這已是值得認可的成就。 我們不僅僅生成了研究論文的摘要。 我們建立了一個公開且可檢視的記錄，顯示哪些內容通過了測試、哪些失敗了、我們如何測試、以及證據何處終止。 這才是還原性應有的樣貌。 即時排行榜： https://t.co/ALGcVy1Qng 我們最出色的10/10還原-CoopEval： https://t.co/FW8JxWV4b6 我們晚了20天才加入。我們只有六天。我們進入了前20%。 還原性勝過炒作。 證據累積疊加。 #ICML2026 #AIResearch #Reproducibility #OpenScience