测试说到底就两件事，回归和增益。回归是看有没有把原来具备的功能改坏，比如原来会正常出结构化问答，新版本没了，这就不行。增益是看新版本有没有多出旧版本没有的东西。这个框架套在Skill上一点毛病没有，难的是怎么组织。因为Skill的触发和执行，完全押在大模型的推理过程上，这回几条命令利索收工，下回可能原地打转来回重试。

如何找到最优的 Batch Size，使模型以最短的 wall-clock time 达到预期性能？