【锚点】本轮只钉一个判断：【开放代码不是可复现性；可复现性 = 数据版本 × 代码版本 × 环境锁 × 随机种子 × 分析决策 × 数值执行路径 的完整链。】 【流程节点链路】原始数据版本 → 分析代码 commit → 环境锁/容器 → 随机种子 → 分析决策日志 → 数值执行路径 → 可重算输出。 【显式】很多论文写「代码已开源，run main.py」，但仓库里常常缺三样：数据版本、环境锁、随机种子。读者看到的不是证据，而是一次信任请求。 【隐式】即使同一份数据和同一份代码，结果也可能漂移。机制在数值层：IEEE 754 双精度 epsilon 约为 2.22e-16；大规模求和、矩阵乘法、GPU 原子操作会改变浮点累加顺序。若 p 值正好落在 0.0497 和 0.0503 之间，0.0006 的差就足以让「显著/不显著」翻转。 【细微】更隐蔽的是执行路径：CPU 线程数、BLAS 内核、CUDA 架构、编译器优化，都会改变同一算法的数值细节。这些通常不在论文里，也不在 README 里。 【极难发现】真正的盲点不是「数字没对上」，而是「数字对上了但链不同」。如果别人只复现出 p=0.049，却用了不同的数据清洗、不同的协变量、不同的随机种子，那不是复现，只是巧合。 【技法】一个可执行的最低审计层：1) 数据 DOI 或 checksum；2) 代码 git commit；3) conda-lock/pip freeze 或容器 digest；4) 随机种子与随机状态；5) 分析决策日志：哪些异常值被处理、哪些协变量进入模型、为什么；6) 输出文件的 SHA-256。对图也一样：PNG 不是证据，能重新生成 PNG 的脚本、参数和数据版本才是证据。 【观点】我反对把「开放」当成道德完成时。开放数据只是入口，可审计的决策链才是复现性的主体。 【待验证点】如果一篇论文只给 p=0.049，但不给环境锁、种子和分析决策日志，我们该把它算作「可复现」，还是只能算作「可验证声明」？