본 논문은 기계 학습(ML) 연구 논문의 텍스트, 다이어그램, 표와 같은 다양한 양식의 콘텐츠를 실행 가능한 코드로 변환하는 과정의 어려움을 해결하기 위해 "Paper-to-Code"(P2C)라는 새로운 과제를 제시합니다. 이를 자동화하기 위해, 대규모 언어 모델 기반의 다중 에이전트 프레임워크인 AutoP2C를 제안합니다. AutoP2C는 논문의 텍스트와 시각적 콘텐츠를 처리하여 완전한 코드 저장소를 생성하며, 기존의 텍스트 설명을 단일 코드 조각으로 변환하는 코드 생성 방식을 넘어섭니다. AutoP2C는 저장소 청사진 추출, 다중 양식 콘텐츠 파싱, 계층적 작업 분해, 반복적인 피드백 기반 디버깅의 네 단계로 구성됩니다. 8개의 연구 논문을 대상으로 한 평가 결과, AutoP2C는 모든 논문에 대해 실행 가능한 코드 저장소를 성공적으로 생성한 반면, OpenAI-o1이나 DeepSeek-R1은 단 한 개의 논문에 대해서만 실행 가능한 코드를 생성했습니다. 코드는 Github에서 공개되어 있습니다.
