核心分析¶

问题核心：项目提供沙箱与硬件感知功能，但可复现性的成功依赖于对环境、随机性、依赖和数据源的全面锁定与记录。当前短板主要是外部依赖、硬件差异和随机性未被完全控制。

技术分析¶

• 已有能力：Docker 沙箱、硬件感知（GPU/MPS/CPU）、实验工件与 verification_report.json 提供了基础可复现性框架。
• 短板：
• 底层驱动/库差异（不同 CUDA/drivers）导致数值差异；
• 外部数据源（API、镜像）变动或不可访问；
• 随机性（未显式记录 seed）与并行化的非确定行为。

提升可重复性的具体措施¶

1. 环境快照：保存并分发容器镜像的 digest/sha、操作系统与驱动版本（CUDA、cuDNN）、以及硬件描述。
2. 依赖锁定：使用 pip/conda lockfile、nix 或容器镜像构建声明来保证依赖可重现。
3. 固定随机性：在每个实验元数据中写入所有随机种子、并记录并行/多线程设置。
4. 数据镜像化：将外部数据集在受控存储中镜像并记录哈希值；避免直接依赖外部 API 在关键实验上。
5. 多环境测试：在 ARC-Bench 中跨多种硬件/镜像重复运行以量化稳定性并写入 verification_report。

注意事项¶

• 对于需要专用硬件（FPGA、特定 GPU 架构）或物理实验，完全复现通常不现实。
• 闭源依赖或外部服务不可控时，考虑本地化镜像或替代开源工具。

重要提示：把可重复性工件（镜像 digest、seed、数据哈希、verification_report）作为交付物的必选项，以支持后续审计与同行复现。

总结：通过工程化的环境快照、依赖锁定、数据镜像与多环境基准测试，可显著提升可重复性；核心挑战仍来自外部不可控依赖与硬件差异，需要补充人工审计和跨运行学习来缓解。