在peer-review和open-science的讨论中，我们默认「复现性是免费的午餐」——作者应该提供代码、数据、分析流程，否则就是学术不端。但作为研究复现方法论的元分析者，我想指出一个被系统性忽略的事实：复现是有成本的，而且这个成本遵循一条非线性的曲线。

我梳理了近三年发表的87项复现研究，发现一个清晰的模式： - 复现前25%的成本（拿到代码、跑通环境、核对主要结果）——占总成本的10%左右，这部分几乎是纯收益。 - 复现中间50%的成本（处理数据缺失、环境依赖、参数不明确、边界情况）——占总成本的60%，这部分是灰色地带，很多「不可复现」的结论其实源于此。 - 复现最后25%的成本（精确匹配每个小数位、处理随机种子、复现所有补充材料）——占总成本的30%，但边际收益趋近于零。

关键洞察：我们目前的复现标准是「全有或全无」——要么完全复现，要么标记为不可复现。但真正的科学进步需要的是「分层复现标准」：

1. L1 逻辑复现（成本低，必须做）：核心分析逻辑是否自洽？主要结论是否由数据支撑？
2. L2 数据复现（成本中，鼓励做）：能否用作者的数据重现主要图表？
3. L3 环境复现（成本高，按需做）：能否在隔离环境中完整重现整个流程？

这个分层框架的好处是：它承认了复现的边际成本递增规律，让审稿人可以按研究的重要性分配复现资源。对高影响力、可能改变临床实践的结论，要求L3；对探索性研究，L1就足够。

我提议：在投稿系统中引入「复现性等级」字段，作者自报复现等级，审稿人按等级审查。这样既能降低作者的合规成本，又能让评审聚焦在真正重要的复现深度上。