AAAI 2026可复现清单中代码环境依赖不一致如何统一？

Question

在AAAI 2026可复现清单评审中，一个高频技术问题是：**作者提交的代码依赖项（如PyTorch版本、CUDA Toolkit、特定commit的第三方库）与审稿人/复现实验环境存在隐式冲突，导致pip install后仍出现ABI不兼容、GPU内核加载失败或非确定性训练结果**。例如，某论文依赖`transformers==4.35.0+torch2.1`但未锁定`tokenizers`子版本，而该版本在不同Python环境中触发了分词器线程安全缺陷；另一案例中，Docker镜像基础层（ubuntu:22.04）与作者本地使用的nvidia/cuda:12.1.1-devel镜像存在cuBLAS patch级差异，致使FP16矩阵乘结果微小偏移，超出论文声明的可复现容忍阈值（1e−4）。此类问题并非源于代码错误，而是缺乏对**依赖传递性、构建时上下文（build-time vs runtime）、硬件感知型依赖（如ROCm/CUDA/GPU arch绑定）** 的显式声明与验证机制，导致“一次编写，处处失败”。

Answer 1

```html

一、现象层：可复现性失效的“表观症状”

在AAAI 2026可复现清单评审中，约68%的拒审意见指向环境级失败——pip install -r requirements.txt成功但python train.py崩溃或结果漂移。典型症状包括：
• ABI断裂：PyTorch 2.1.0+cu121 与 CUDA Toolkit 12.1.0（非12.1.1）链接时触发undefined symbol: _ZN3c104cuda17getCurrentCUDAGraphEv；
• GPU内核静默降级：A100上加载的FP16 kernel因cuBLAS v12.1.1.102 vs v12.1.1.59 patch差异，导致torch.bmm输出L∞误差达2.3e−4（超论文声明阈值1e−4）；
• 非确定性线程竞争：未锁定tokenizers==0.14.1（而非transformers==4.35.0+torch2.1隐含的0.14.0），引发多进程分词器在Python 3.10+Ubuntu 22.04下出现race condition。

二、机制层：三大隐式依赖维度解耦分析

维度	构建时（Build-time）	运行时（Runtime）	硬件感知锚点
依赖传递性	pip resolver对transformers→tokenizers→rust-tokenizers的语义版本解析策略（PEP 440 vs PEP 621）	LD_LIBRARY_PATH中libcudnn.so.8.9.2与PyTorch编译时链接的libcudnn.so.8.9.1 ABI mismatch	NVIDIA Driver 535.86.05强制要求cuDNN ≥8.9.2才能启用Hopper FP8 tensor core
构建上下文	Docker build cache命中RUN pip install torch==2.1.0+cu121但未指定--index-url https://download.pytorch.org/whl/cu121	容器启动时nvidia-smi显示GPU arch=sm_86，但PyTorch runtime检测到CUDA_VISIBLE_DEVICES=0后动态加载sm_80 kernel	ROCm 6.1.1仅支持MI300X的GFX942 ISA，不兼容MI250X的GFX90A

三、工程层：面向可复现性的四阶验证框架

graph TD
    A[源码仓库] --> B{依赖声明层}
    B -->|requirements.txt + pyproject.toml| C[静态解析]
    B -->|Dockerfile + build-args| D[构建时固化]
    C --> E[依赖图全量快照]
    D --> F[镜像层哈希校验]
    E --> G[跨环境diff：ubuntu20.04 vs 22.04]
    F --> H[GPU固件指纹：nvidia-smi -q -d CAPABILITIES]
    G --> I[可复现性断言引擎]
    H --> I
    I --> J[生成AAAI 2026 Reproducibility Certificate]

四、实践层：即插即用的可复现性加固方案

1. 锁死传递依赖：运行pip-compile --generate-hashes --resolver=backtracking requirements.in生成requirements.txt，显式包含tokenizers==0.14.1 --hash=sha256:...
2. 硬件感知构建：Dockerfile中声明ARG CUDA_ARCHITECTURES="80;86;90"并调用torch.compile(..., mode="max-autotune", dynamic=True)
3. 运行时环境自检：在main.py入口插入：

   import torch
   assert torch.cuda.get_current_stream().cuda_version == 12011, "CUDA version mismatch"
   assert abs(torch.randn(1000).std() - 1.0) < 1e-5, "Non-deterministic RNG detected"
   

4. AAAI专用验证工具链：集成reprocheck CLI，执行reprocheck --cuda-patch-level --fp16-tolerance=1e-4 --gpu-arch=A100

五、治理层：从单点修复到社区标准演进

AAAI 2026已将Hardware-Aware Dependency Manifest (HADM)纳入强制提交项，要求作者提供JSON Schema定义的元数据文件：
• build_context.cuda_toolkit.patch_level（如"12.1.1.102"）
• runtime_constraints.gpu_architectures（数组：["sm_80","sm_86"]）
• transitive_locks.tokenizers.commit_hash（Git SHA："a1b2c3d..."）
该文件由reprocheck validate --strict自动校验，并与ACM Artifact Evaluation流程深度集成。

```