首轮只选择 TensorFlow 和 PyTorch，分别运行 TensorFlow→PyTorch 与 PyTorch→TensorFlow。组件按损失函数、张量算子、神经网络层三类分层抽样，每类、每个方向选择 10-20 个目标组件。
版本、提交号、Python、编译器、CPU/GPU、驱动和依赖均写入运行 manifest。源测试必须先在固定环境连续运行至少三次并通过，才进入迁移。
两名评审者独立标注：组件关键性、源/目标组件对应关系、测试意图、核心输入、核心断言和最终迁移有效性；分歧由第三人仲裁。报告 Cohen's kappa 或 Krippendorff's alpha。
- 基线：随机、使用频率、覆盖缺口单因子。
- 指标：Precision@K、NDCG@K、被选组件的人工缺口评分、后续有效测试/缺陷产出。
- 基线：名称相似、文档 embedding、参数签名、均匀融合。
- 指标：Recall@K、MRR、Top-1 accuracy、一对多映射召回率。
- 消融：分别移除名称、文档、参数、源码、调用上下文和测试行为。
- 基线：API 替换、整段 LLM 翻译、无显式意图的结构化翻译。
- 指标：语法通过率、初次执行率、最终有效率、意图保持率、oracle 完整率、人工修改量。
- 消融：无静态检查、无反馈修复、1/2/3 轮修复。
- 指标：修复成功率、每轮边际收益、错误类别分布、token/时间/GPU 成本、过度修复率。
- 指标：分支/行覆盖增益、shape/dtype/device/gradient/异常覆盖增益、变异杀伤率、有效缺陷数、误报率。
- 扩展效果必须与仅迁移不扩展版本比较。
一个测试只有同时满足以下条件才计为有效：
- 在声明环境中可重复执行；
- 调用预期目标组件；
- 保留源测试的核心输入、核心执行和核心断言；
- 差分或独立 oracle 可解释；
- 未通过删除断言、固定输出、放宽到无意义阈值等方式“通过”；
- 对目标组件产生可测量覆盖或行为增益。
比例指标报告置信区间；成对结果使用 McNemar 检验，连续成本/覆盖指标根据分布选择配对 t 检验或 Wilcoxon 符号秩检验，并报告效应量。所有失败样本保留到公开 artifact，不只报告成功样本。
- 框架/组件代表性：分层抽样并报告未覆盖类别。
- LLM 波动：固定模型版本、prompt、temperature 和随机种子，重复运行。
- 环境差异：容器化并记录硬件、后端和驱动。
- oracle 误差：区分预期语义差异、数值噪声和真实缺陷，人工复核缺陷。
- 数据泄漏：检查模型是否直接见过目标测试；对时间切片和私有回归样本单独报告。