这篇文章是 Lilian Weng 对“框架工程”Harness Engineering在AI 递归自我改进RSI中核心作用的系统性梳理与前瞻。文章的核心观点是AI 自我改进的近期突破不依赖于模型直接重写自身权重而在于优化包围模型的“框架”——这个框架决定了模型如何思考、调用工具、管理记忆和执行任务。一旦框架设计变成可执行的代码搜索空间AI 便能自己优化自己从而迈向 RSI。以下是文章内容的全面总结概括1. 核心概念什么是“框架”Harness定义框架是围绕基础模型的部署系统介于原始模型和现实世界应用之间。它不仅仅是“LLM 工具 记忆”更是一个复杂的运行时系统负责编排工作流、管理权限、存储持久状态和评估结果如 Codex、Claude Code。核心范式框架设计遵循“观察 → 规划 → 执行/调用工具 → 检查/测试 → 迭代”的闭环循环。2. 框架设计的三大基础模式工作流自动化构建可操作的循环规划-执行-验证-改进通过“代理运行时”而非静态提示词模板来驱动模型迭代。文件系统作为持久记忆由于长视界任务产生的日志和工件远超上下文窗口框架不依赖上下文承载一切而是利用文件系统存储状态这正好契合 LLM 的读写基础能力。子代理与后台任务支持并行执行、多假设搜索和任务委派。要求子代理输出必须存入文件系统而非对话上下文以实现可追溯和可恢复。3. 框架优化的层级演进从浅到深文章总结了框架优化对象的递进过程指令提示词 → 结构化上下文 → 工作流 → 框架代码 → 优化器代码。上下文工程Context Engineering解决上下文膨胀问题。ACE将上下文视为可更新的“行动手册”通过生成器、反射器、策展人三个模块提炼并结构化存储关键经验。MCE元上下文工程进一步将“技能”如何管理上下文与“内容”上下文本身分离通过双层优化内层优化任务上下文外层进化管理技能实现元级别的自我迭代。元框架Meta-Harness对框架本身的代码进行优化。它使用编码代理作为“提议者”在文件系统中搜索、生成并评估新框架的代码最终输出帕累托前沿的最优框架。4. 工作流与代理系统的自动化搜索代码即搜索空间ADAS代理系统自动化设计将工作流设计视为搜索问题。用一个“元代理”生成新的工作流代码通过评估和迭代扩展设计空间。AFlow将工作流视为树形结构通过算法而非手动在树中搜索、剪枝和进化在 QA、数学等任务上显著超越人工设计的工作流。AlphaEvolve / DGM达尔文·哥德尔机器利用进化算法让 AI 在代码层面发生变异、选择自动发现更优的算法和框架代码。5. 自我改进框架的闭环机制STOP自教导优化器目标是改进“改进器本身”。通过递归地利用当前最优方法去优化下一个方法STOP 能自主发现遗传算法、模拟退火等复杂策略。Self-Harness一个严格的“弱点挖掘 → 框架提议 → 回归验证”循环。它在保留原有性能的前提下针对特定模型的弱点进行靶向改进。警惕这种机制极易引发“奖励黑客攻击”和权限失控风险。6. 终极目标与模型权重的联合优化SIA尝试将框架非参数系统和模型权重参数系统放在同一个循环中优化。由反馈代理决定下一步是改进代码框架还是使用强化学习更新 LoRA 权重。虽然这目前仍是初步探索但代表了通往完全 RSI 的必经之路。7. 现存瓶颈与未来挑战文章最后列举了实现完全 RSI 的 7 大挑战评估困难许多任务如科研品味难以量化RL 式的客观评估在开放问题中失效。记忆与上下文生命周期全自主 AI 需要类似人类终身学习的记忆机制。负面结果缺失LLM 训练数据中缺乏负面实验记录导致它不擅长承认失败或放弃错误方向。多样性崩溃进化算法容易收敛到单一最优解失去探索新路径的能力。奖励黑客攻击过度优化测试指标会导致 AI 利用规则漏洞而非真正解决问题。长期利益缺失目前的优化过度关注短期任务完成度忽略了代码的长期维护性、可扩展性和生态健康。人类角色人类不应被完全移出循环而应上移层级——负责提供高层级监督、设定目标并处理评估和权限控制的最终决策。文章描绘了一条切实可行的 AI 自我进化路径通过将“框架”代码化、可搜索化让 AI 像软件开发者一样优化自己的外部工作系统从而突破模型的固定能力天花板逐步向递归自我改进迈进。这里是自己的论文阅读记录感兴趣的话可以参考一下如果需要阅读原文的话可以看这里如下所示摘要递归自我改进RSI的概念可追溯到 J. J. Good1965他将“超级智能机器”定义为一种能在所有智力活动上超越人类并设计出更好机器来改进自身的系统。Yudkowsky2008使用“递归自我改进”一词来描述一个特定的反馈循环AI 利用其当前的智能来改进产生其智能的认知机制。在现代 AI 中这个反馈循环可能意味着模型直接重写其自身的权重更广泛地说是模型改进训练流水线和部署系统进而使得在具有经济价值的任务上性能更优的后继模型得以诞生。研究表明前沿实验室如 Anthropic、OpenAI中 AI 研究开发的速度已急剧加快。我特意提到“部署系统”是因为原始模型与现实世界背景之间的这一层似乎与模型的原始智能即预训练后的评估同样重要。正如 Claude Code 和 Codex 等成功的编码代理产品所示框架Harness是 AI 部署的重要组成部分。框架是围绕基础模型的系统它协调执行过程并决定模型如何思考和规划、如何调用工具并采取行动、如何感知和管理上下文、如何存储工件以及如何评估结果。本文主要关注围绕框架工程的研究以及它如何为 RSI 做出贡献。近期关于自动研究、自我改进代理和进化程序搜索的许多工作都可以围绕这个问题来组织。其他关于模型自我对弈、合成数据、测试时训练以及更广泛的持续学习主题的工作也符合 RSI 的愿景例如 Yuan et al. 2024, Chen et al. 2024, Zhao et al. 2025, Choi et al. 2026但它们不是本文的重点。框架设计模式与早期的代理框架相比代理 LLM 记忆 工具 规划 行动框架工程额外包括工作流设计例如循环工程、评估、权限控制和持久状态管理。它不再仅仅是提示词模板而更接近于运行时和软件系统设计模型如何观察、行动、记忆、自我检查和改进。设计应当刻意保持简单和通用以促进泛化很可能需要参考现有的软件工程实践从而受益于预训练知识。框架与操作系统之间也存在强烈的类比。与操作系统类似框架应封装复杂的逻辑同时保持接口简单。同时配置、工具接口和其他协议可能会在行业内逐渐标准化。模式 1工作流自动化定义一个模型可以在其中操作、测试和迭代的工作流是实现自动化的关键设计。Karpathy 的 autoresearch 仓库https://github.com/karpathy/autoresearch是一个构建此类工作流的简洁示例。常见的工作流遵循一个面向目标的循环规划、执行、观察/测试、改进然后再次执行直到目标达成。该过程可能会触发主动向用户请求以明确任务规范或执行偏好。图 1简化的 Codex 代理循环代理调用工具工具响应影响模型的下一轮生成。图片来源OpenAI codex 代理帖子工作流图还强调模型分析自身的轨迹和失败案例并通过“代理运行时”而非静态提示词模板来迭代其进度。模式 2文件系统作为持久性记忆在长视界代理系统中一个反复出现的模式是对丰富状态和工件的简单控制。框架不应在上下文中携带整个工作流和所有日志相反它应将持久状态保存在文件中。在长视界的代理展开中工件如实验日志、代码差异、论文摘要、错误跟踪和过去的展开轨迹通常会增长到远超模型训练所用的上下文窗口的长度。学习如何读写和编辑文件系统通常通过 bash 命令是 LLM 的基础技能因此以简单的文件形式管理持久性记忆自然而然地受益于核心模型能力的提升。模式 3子代理与后台任务框架可以生成多个子代理并行执行并监控后台任务。当主代理需要搜索多个假设、并发运行实验或委派隔离的子任务而不污染主上下文时这非常有用。父代理随后需要一个小的进程管理器启动任务、检查日志、取消失败的运行并将结果合并回主代理线程。关键的设计选择是使并行性显式且可检查。如果子代理输出仅存在于瞬时的聊天上下文中它们很快就会过时并被隐藏。如果它们被存储为文件、日志和状态记录模型可以在中断后恢复并对其自身的执行历史进行推理。案例研究编码代理框架主流编码代理的核心接口在 Claude Code、Codex、OpenCode 和类似 Cursor 的代理中已趋于稳定。它们通常使用如下循环图 2编码代理的基本循环。通过访问一组工具编码代理能够像配备了 IDE 的人类开发者一样在给定仓库中开发和调试问题。工具定义示例非详尽列表文件系统文件发现 (glob, grep, ls)文件读取 (read, read many)文件修改 (write, edit, multi_edit, apply_patch)。Shell 执行运行命令 (bash, PowerShell)。IO/版本控制git 工具 (git_status, git_diff, git_commit)。外部上下文MCP 工具、技能。网络搜索web_search, web_fetch, 浏览器工具。工件读取文档、图片生成 HTML、图片。后台进程例如 CronCreate, CronDelete, CronList。代理委派例如 spawn_agent, resume_agent, wait_agent, list_agents, close_agent, interrupt_agent 等。框架层 vs 核心智能很难预测未来的 RSI 将在多大程度上依赖框架工程但 RSI 的近期路径不太可能始于模型直接重写其权重。我对近期实际路径的预测是框架工程将朝着元方法论meta-methodology的方向发展即改进获取更好答案的机制而不仅仅是改进答案本身。框架系统本身成为一个优化目标拥有更少的启发式规则和更通用的机制。反过来成熟的框架能够实现用于模型自我改进循环的自动研究而更智能的模型则能防止框架过度工程化并使系统保持可持续性。最终许多框架改进可能会被内化到核心模型行为中但与外部上下文和工具的接口应当保留。我们已经看到了这种模式的较软版本随着指令微调和模型推理能力的提升手动提示词工程技巧变得不那么重要但指定目标、约束、上下文和评估的需求并未消失。框架优化在框架系统中被优化的对象大致遵循以下演进过程指令提示词 → 结构化上下文 → 工作流 → 框架代码 → 优化器代码。随着模型变得更加智能和强大我们转向更复杂的目标和更通用的方法。上下文工程简单地将所有工具响应和模型生成追加到上下文中随着代理任务视界的显著增加会迅速失控。上下文管理层旨在为 LLM 构建更结构化、更简洁的上下文并管理持久状态。毫无疑问长上下文研究将继续取得进展但就目前而言长上下文智能和上下文工程有时会交织在一起。代理上下文工程ACEZhang et al. 2025将上下文视为不断发展的“行动手册”playbook而非不断增长的提示词。它由三个部分组成用于维护一个包含带标识符和描述的要点列表的上下文行动手册生成器Generator参考要点生成任务轨迹。反射器Reflector从成功和失败的轨迹中提炼见解。策展人Curator以增量、逐项的方式更新结构化上下文。图 3代理上下文工程ACE框架。图片来源Zhang et al. 2025为了防止在迭代重写过程中发生上下文崩溃和简洁性偏差ACE 的一个关键设计是策展人不会重写整个提示词块。相反它输出一组结构化的、逐项的要点形式为(标识符, 描述)这些要点通过确定性逻辑合并到结构化的上下文日志中。上下文项目会定期进行优化和去重。ACE 从展开中学习见解这有助于我们迈向自我管理的记忆但更新规则和整体工作流仍然是手工设计的。为了更接近自我改进的循环元上下文工程MCEYe et al. 2026将机制如何管理上下文与工件内容上下文中有什么分离在元优化层面运行技能进化在基础层面运行上下文优化。MCE 技能 s∈Ss∈S 定义了一个上下文函数 cs(ρs,Fs)cs​(ρs​,Fs​)将输入 xx 映射到上下文 cFs(x;ρs)cFs​(x;ρs​)。其中 ρsρs​ 是静态组件提示词、知识库、代码库 FsFs​ 是动态操作符搜索、选择、过滤、格式化。这是一个双层优化问题内层循环在训练数据上找到给定技能 ss 下的最佳上下文 cs∗cs∗​外层循环找到在验证集上性能最佳的技能 s∗s∗。图 4元上下文工程MCE框架元级别的技能进化搜索上下文管理机制而基础级别优化任务上下文。图片来源Ye et al. 2026MCE 不像 ACE 那样强制执行用于构建上下文的启发式规则。它使用自由形式的技能来存储任务最重要的知识并迭代地共同进化技能和受技能约束的上下文。在实现上上下文函数 cc 被实例化为专用目录中的文件集合包括静态组件和动态组件。元级别和基础级别的优化都在具有标准工具集的代理编码环境中执行。元框架Meta-HarnessLee et al. 2026又深入了一层被优化的对象是决定和优化应存储、检索和呈现给模型哪些信息的代码。“元”意指它是一个用于优化框架的框架。图 5元框架的外层循环优化算法。图片来源Lee et al. 2026用于创建新框架的提议者本身就是一个编码代理最终输出是帕累托前沿上的框架候选集合。整个执行历史可通过文件系统访问因此编码代理使用 grep 或 cat 等命令来阅读而不是将一切塞进单个提示词上下文中。提议的框架是文件系统中的一个目录包含其自身源代码、分数、展开轨迹和状态更新。元框架循环迭代地创建新框架只有合格的才被保留。图 6元框架在左文本分类任务上的性能以及右TerminalBench-2 上的性能。注意TerminalBench-2 实验中的搜索是从 Terminus-KIRA 和 Terminus-2两个非常强大的框架初始化的。图片来源Lee et al. 2026尽管如此重要的启示很明确一旦框架设计成为可执行的搜索空间强大的编码代理就能利用人类工程师所使用的相同设计空间。工作流设计框架工程中的工作流设计可以由领域专家手工完成。以自动研究为例已有多种框架被提出和测试。AI Scientist 系统Lu et al. 2026构建了一条流水线用于提出研究想法、编写代码、运行实验、分析结果、撰写手稿并进行同行评审。ScientistOneMeng et al. 2026将可验证性作为核心设计约束要求每项主张引用、数值、方法论、结论都必须追溯至证据来源并通过证据链检查进行审计。图 7AI Scientist 流水线涵盖想法生成、实验、论文写作和评审。图片来源Lu et al. 2026Autodata 代理Kulikov et al. 2026旨在作为数据科学家工作生成训练和评估数据。主代理管理一个提出问题的挑战者、一个弱求解器、一个强求解器和一个验证者/评判者旨在合成“恰到好处”难度的数据。图 8Autodata 代理工作流设计围绕挑战者、求解器和验证者角色生成合成训练和评估数据。图片来源Kulikov et al. 2026工作流的设计空间巨大我们自然可以将其视为一个搜索问题因此我们应该能够通过算法而非仅仅手工制作来找到好的解决方案。沿着这个方向代理系统自动化设计ADASHu et al. 2025将代理设计本身形式化为一个优化问题即“元代理搜索”其中元代理提出新的代理工作流设计。使用简单代理如思维链和自我优化初始化代理工作流档案库。让元代理受档案库中现有解决方案启发用代码编程新的代理。元代理首先生成新工作流的高级描述然后实现代码。草案程序会经历两次自我优化步骤。评估每个新候选者将成功的添加回档案库。重复步骤 2-3 直至达到最大迭代次数。图 9代理系统自动化设计ADAS示意图。图片来源Hu et al. 2025AFlowZhang et al. 2025将工作流搜索建模为树形搜索问题使用模板初始化起始工作流 W0​。使用分数和均匀探索的软混合方式选择一个工作流节点。让 LLM 根据其评估性能生成修改后的工作流来扩展它。执行并评估新工作流。如果新工作流在 N 轮预算内有改进则将其添加回树中。重复步骤 2-5当 Top-k 平均分数趋于平稳或达到预算时停止。图 10AFlow 在工作流候选树上的优化过程。图片来源Zhang et al. 2025AFlow 在问答、代码和数学任务上的实验显示其性能相比手工设计的工作流和 ADAS 有显著提升。自我改进的框架无论是上下文工程还是工作流设计都只是框架的一部分。我们需要搜索整个设计空间并共同优化上下文管理逻辑、工作流、权限和许多其他框架组件。正如我们在元框架、ADAS 和 AFlow 等工作中所见代码是定义程序和系统的通用语言。简而言之框架就是编排提示词、工具调用、子代理、控制流、记忆和工作流逻辑如何协同工作的代码。如果 LLM 能够优化执行代理的代码它就能访问比手写提示词大得多的设计空间。自教导优化器STOPZelikman et al. 2023是递归脚手架改进的早期范例。其目标不是直接改进解决方案 s而是改进“改进器” I 本身。定义元效用为改进器函数 I 在一系列下游任务上的平均效用。由于改进改进器函数本身就是一个优化问题我们可以通过自我改进更新递归地基于 It−1I​ 的性能由元效用衡量得到新版本的 It​。图 12自教导优化器STOP算法。图片来源Zelikman et al. 2023在 Zelikman 等人的实验中改进后的改进器发现了各种策略如遗传算法、分解和改进部件、多臂提示词赌博机、模拟退火、改变温度以及波束/树搜索。这类似于框架工作流如何被表示为优化对象。图 13STOP 发现的自我改进策略示例。图片来源Zelikman et al. 2023他们发现的一个警示性结果是STOP 在 GPT-4 上提升了平均下游性能但在 GPT-3.5 和 Mixtral 等较弱模型上性能下降。仅靠递归结构是不够的基础模型必须有足够的能力来改进机制。这意味着框架改进能实现模型更好的部署但智能仍然是核心。近期的工作Self-HarnessZhang et al. 2026依赖于 LLM 代理通过“提议-评估-接受”循环来改进自身的框架。图 14Self-Harness 使用弱点挖掘、有界框架提议和验证的循环来更新框架。图片来源Zhang et al. 2026Self-Harness 的循环包含三个阶段弱点挖掘将失败聚类为基于验证者的失败模式。需要包含丰富的失败记录信息以揭示根本原因。框架提议基于挖掘出的失败模式提出有界框架编辑。模型作为提议者在受限的提议上下文中操作。提议验证通过回归测试验证并合并合格的编辑以创建新框架 ht1​。只有在保留集和保留外数据上均无回归的候选才会被接受。Self-Harness 类的工作确实引发了我的担忧如果程序被允许编辑操作系统抽象边界就被打破了。可编辑的表面需要被恰当设计权限控制和安全层需要存在于这个循环之外。所有关于奖励黑客攻击的挑战依然存在。进化搜索进化搜索是一种受自然选择启发的优化方法参见我之前的关于进化算法的文章。当1搜索空间巨大或形状奇特以及2难以直接使用梯度优化但易于评估解决方案时进化搜索就派上了用场。框架搜索似乎非常适用。PromptbreederFernando et al. 2023通过丰富的变异操作优化特定任务的提示词并且突变提示词本身也通过进化得到改进。GEPAAgrawal et al. 2025将基于反思的提示词与进化搜索相结合利用对试错轨迹的自然语言反思来提出提示词更新。AlphaEvolveNovikov et al. 2025引入了一个编码代理进化搜索系统该系统存储候选程序和提示词池并让冻结的 LLM 生成差异以进行改进。图 15AlphaEvolve 的工作原理。图片来源Novikov et al. 2025AlphaEvolve 设计中的关键细节包括提示词包含父程序、结果、指令和元信息编码代理可访问完整仓库但改进区域明确标记元提示词与指令和上下文共同进化。图 16消融实验显示了 AlphaEvolve 中若干设计的价值。图片来源Novikov et al. 2025近期的变体如ThetaEvolveWang et al. 2025将进化搜索与强化学习和上下文学习相结合。ShinkaEvolveLange et al. 2025则引入了三个新组件以提高采样效率基于性能排名和子代数量的父代采样基于嵌入余弦相似度的代码新颖性拒绝采样以及使用元草稿板识别成功模式以指导未来变异。与上述侧重于解决方案改进的方法不同达尔文·哥德尔机器DGMZhang et al. 2025明确针对可编辑框架代码仓库的进化。一个后续工作HyperagentsZhang et al. 2026引入了一个元代理来控制如何修改现有任务代理以创建新代理。DGM 是固定模型下的框架进化。在 Claude 3.5 Sonnet 作为基础 LLM 和简单初始框架配置的实验中DGM 发现的代理在 SWE-bench Verified 和 Polyglot 上达到或超越手工制作代理的水平。这类方法在候选方案可自动评估且适应度易于量化如矩阵乘法、GPU 内核优化、算法竞赛、数据中心调度时效果良好。但在评估缓慢、模糊或主要基于启发式的领域则面临困难。计算的效率和有效性也是问题。与模型权重的联合优化框架进化改变了模型周围的非参数系统。为了实现完全的自我改进模型也可以同时更新自身的权重。权重更新可以通过模型训练流水线的改进或测试时的持续学习来实现。持续学习这个话题值得未来专门写一篇文章。SIAHebbar et al. 2026是在同一优化循环中结合框架改进和模型参数更新的早期尝试其设计包含三个组件元代理提出初始框架、特定任务代理执行任务、反馈代理根据近期轨迹选择更新框架还是模型权重。图 17SIA 中的反馈代理决定下一次迭代的类型。图片来源Hebbar et al. 2026SIA 实验中的一些混淆因素使得结果难以解读例如任务特定代理远弱于元代理和反馈代理使用的模型基准线太弱。我认为这个方向很有趣但证据是初步的。然而许多挑战如训练稳定性和古德哈特效应Goodhart effect仍然悬而未决。未来挑战AI Scientist 系列工作是专家设计的框架能够协调大部分自动研究循环以撰写研究论文的形式的有力证明。但论文产出不等于科学发现。一个系统可以写出看似合理的手稿但仍可能存在捏造的引用、实现漂移或实验证据薄弱的问题。Trehan Chopra (2026) 测试了 LLM 能否在极简脚手架和基本工具下从研究想法生成论文。他们观察到了六个反复出现的失败模式偏向训练数据默认值使用旧库、过时命令、标准格式或假设未基于实际仓库或数据集。执行压力下的实现漂移当实现变得技术复杂时模型可能转向更简单的常见解法而非提议的方法。记忆和上下文退化除非日志被写为持久工件否则长视界项目会丢失关键细节。过度乐观模型在有噪或失败实验的情况下仍宣布成功。领域智能不足模型缺乏隐性工艺知识例如预测实现复杂性或判断实验结果是否合理。科学品味薄弱实验可能可执行但未能回答正确的问题。迈向完全的 RSI研究者们已取得实质性进展但仍存在几个瓶颈薄弱且模糊的评估器。许多研究主张没有快速且精确的验证器现实世界的许多任务也是如此。当前的自我改进循环在评估指标可测量且客观的任务上效果最好就像强化学习一样。上下文和记忆生命周期。随着 AI 代理变得更加自主和独立记忆会增长。一个有用的框架需要管理上下文和记忆以弥补当前长上下文生成的局限同时最大化长视界任务的成功率。负面结果。研究人员倾向于发表成功的结果因此文献偏向于成功。LLM 在决定何时放弃假设、报告负面结果甚至承认失败方面可能表现不佳。多样性崩溃。进化和强化学习循环倾向于利用已知的高奖励模式。我们需要防止种群崩溃为同一解决方案变体的机制。奖励黑客攻击。自我改进循环会优化它收到的任何信号。评估器和权限控制很可能应该位于进化框架的循环之外。长期成功。一个外在的优化循环作用于我们可以在训练沙盒中模拟的、独立展开之外的奖励。以编码代理为例其优化目标往往太短期难以捕捉长期维护性、所有权边界、迁移成本、向后兼容性或未来的调试负担。人类的角色。人类应该向上移动层级而不是被移出循环。这意味着人类应在正确的时间、正确的抽象层级提供监督我们的系统设计应考虑何时以及如何设置此类接触点。许多列出的挑战都需要人类的反馈和引导。归根结底我们是在为人类更美好的未来而构建技术而不是相反。附录一些有用的基准测试PaperBench:从头开始复现 20 篇 ICML 2024 Spotlight 和 Oral 论文包括理解论文贡献、开发代码库并成功执行实验。最佳模型Claude 3.5 Sonnet~21%未超过 ML 博士。CORE-Bench:评估已发表研究的计算可复现性。包含基于 90 篇科学论文的 270 项任务。ScienceAgentBench:评估用于数据驱动科学发现的 LLM 代理。从 44 篇同行评审出版物中提取了 102 项任务。RE-Bench:在真实的 ML 研究工程环境中评估前沿 AI 代理与人类专家的对比。最佳 AI 代理在 2 小时预算下得分比人类高 4 倍但人类在 8 小时和 32 小时设置下超过代理。MLE-bench:在离线 Kaggle 竞赛中评估 ML 工程代理。最佳设置o1-preview AIDE 脚手架在 16.9% 的竞赛中达到 Kaggle 铜牌水平。KernelBench:评估生成的 GPU 内核的正确性和速度。包含 250 个 PyTorch 任务。