PaperCompiler: リポジトリレベルの仕様コンパイルによる忠実な論文からコードへの生成

要旨

研究論文を忠実にリポジトリレベルの実装へ変換することは、依然として困難な課題である。論文はメソッドを高水準で記述することが多く、実装上の前提を暗黙のままにし、生成されるリポジトリがメソッドのロジック、評価プロトコル、ファイル間の一貫性を保持することを要求するためである。近年、論文コード生成エージェントは進歩しているものの、その中間出力は自由形式の計画や要約として提示されることが多く、後続のコーディングエージェントによって無視、再解釈、圧縮される可能性があり、その結果、アルゴリズムの単純化やリポジトリ構造の不整合が生じる。これらの課題に対処するため、我々はPaperCompilerを提案する。これは、論文に基づく根拠を明示的なリポジトリレベルの実装仕様へコンパイルする、論文コード生成フレームワークである。PaperCompilerは、実装に関連する根拠を情報源の来歴を保持したまま接地し、論文で裏付けられた情報、推論された情報、外部委任された情報、未解決の情報を明確に区別する。生成された仕様は、非劣化要件、所有権の割り当て、ファイル間依存関係、ファイルレベルの制約を符号化する。リポジトリ生成はこれらコンパイル済み仕様に従って進行しつつも、論文によって固定されていない局所的なエンジニアリング上の選択に対しては柔軟性を保持する。PaperCompilerはPaper2CodeBenchにおいて強力なベースラインを上回り、参照ベースの忠実度を13.8%相対的に向上させ（3.64から4.15へ）、高深刻度の評価者批判を13.2%から6.1%へ削減した。

English

Faithfully translating research papers into repository-level implementations remains challenging because papers often describe methods at a high level, leave implementation assumptions implicit, and require generated repositories to preserve method logic, evaluation protocols, and cross-file consistency. Despite recent advances in paper-to-code agents, their intermediate outputs are often presented as free-form plans or summaries that downstream coding agents may ignore, reinterpret, or compress, leading to algorithmic simplification and inconsistent repository structure. To address these challenges, we introduce PaperCompiler, a paper-to-code generation framework that compiles paper-grounded evidence into explicit repository-level implementation specifications. PaperCompiler grounds implementation-relevant evidence while preserving source provenance and distinguishing paper-supported, inferred, externally delegated, and unresolved information. The resulting specifications encode non-degradation requirements, ownership assignments, cross-file dependencies, and file-level constraints. Repository generation proceeds under these compiled specifications while retaining flexibility over local engineering choices not fixed by the paper. PaperCompiler outperforms strong baselines on Paper2CodeBench, achieving a 13.8% relative improvement in reference-based fidelity (from 3.64 to 4.15) and reducing high-severity evaluator critiques (from 13.2% to 6.1%).