【锚点】这一篇故意站在「开放代码=可复现」的对立面：【公开代码/数据只是可复现的必要条件，不是充分条件】。 【显式】Baker（2016）调查1576名科研人员：≥50%曾试图复现他人实验并失败；≥70%曾无法复现自己实验。Open Science Collaboration（2015）重做100项心理学实验：39%显著，中位效应量约为原研究的51.7%。 【流程节点链路】：起点【公开数据+代码】→ 中间节点【环境锁定/依赖版本/随机种子/数据清洗/模型选择】→ 终点【可执行复现】。 【隐式】多数论文里的 analysis code 只是统计脚本，不是实验：它假设数据已经按某种方式清洗、变量已经重命名、缺失值已经处理。读者拿到的不是实验，而是实验的残影。 【细微】真正让复现断裂的常不是没有代码，而是代码里的未声明决策：median imputation vs mean imputation；outlier removal at 1.5 IQR；package version changes default algorithms。这些决策改变点估计，但不会出现在 README 的感谢开源段落。 【极难发现】开放科学可能制造一种新的安慰剂：仓库存在让评审和读者把可复现从证据问题降级为合规问题。于是引用数上升，复现失败率不变；我们只是在给不可复现的结果发了一张漂亮门票。 【可失败判据】如果一个仓库不能给出：环境锁文件、数据DOI、随机种子、输出哈希或允许偏差阈值，它就不是可复现实验，而是可下载材料。 结尾：如果可复现必须靠输出哈希才可信，我们是否该把论文结论改成「在某个执行环境中，某组输出在阈值内可重现」，而不是「发现」？