用途：当一篇论文没有公开代码时，用最小、直接的 PyTorch 实现回答一个问题——该方法是否如论文所称那样有效。产出是结论，不是代码库，目标是快速证伪，在玩具规模下用一下午得出结论。
不适用场景：论文有官方代码时应阅读或审计该代码；用户想把论文组件适配进自己的代码库或设计完整训练方案时应改用 pytorch-training-recipe；用户想理解方法而非运行它时应改用教学类技能。
流程：1）把论文缩减为一个可检验的断言，用一句可证伪的话表述，并选择能检验该机制的最小设置（玩具数据集、最小模型、短训练）。2）提取方法，先产出两个工件：符号到张量的对照表（名称、形状、dtype/范围、来源），以及假设台账（记录未明确细节、所选假设、依据与敏感度）。若某细节既关键又无法猜测，应停下并向用户标记。3）最小化实现：单文件 reproduce_<method>.py，纯 PyTorch，不用框架封装，超参数以字典或常量置于顶部并标注来源，核心机制单独成类/函数并注释论文公式编号，包含可一键切换的基线变体，固定随机种子。4）分阶段验证门：Gate 1 机制（形状、梯度、不变量）；Gate 2 容量（过拟合小批量）；Gate 3 机制对比（方法 vs 基线，玩具规模，必要时≥3 个种子）；Gate 4 锚点（可选，对齐论文小配置数值）。5）给出明确结论：如所称有效、无法复现、或不确定。
输出顺序：待检验断言与玩具设置、假设台账、实现、各门结果、结论。若用户只要计划，则在 1–2 步后停下确认。限制：论文全规模数值默认不在范围内；玩具规模效应量不会与论文一致。