数值验证是机器学习研究的核心环节，它能够评估新方法的实际效果，并验证理论与实践之间的一致性。然而，该领域的快速发展带来了诸多挑战：研究人员面临大量需比较的方法、缺乏透明度与最佳实践的共识，以及繁琐的重复实现工作。结果导致验证过程往往十分片面，可能引发错误结论，从而阻碍研究进展。为此，我们提出 Benchopt——一个协作式框架，旨在跨编程语言和硬件架构自动化、可复现地开展机器学习优化算法的基准测试。Benchopt 通过提供开箱即用的工具，简化了社区在运行、共享与扩展实验方面的流程。为展示其广泛的适用性，我们展示了在三个标准学习任务上的基准测试：$\ell_2$ℓ2​-正则化逻辑回归、Lasso 回归，以及用于图像分类的 ResNet18 训练。这些基准测试揭示了若干关键的实用发现，为这些问题的当前技术水平提供了更为细致的洞察，表明在实际评估中，细节决定成败。我们期望 Benchopt 能够推动社区内的协作研究，从而提升研究成果的可复现性。