【任务分值】50分
Torch-NPU API 补齐 开源实习任务描述
一、任务概览
Torch-NPU 是昇腾 NPU 适配 PyTorch 框架的核心插件，为 PyTorch 提供完整的昇腾硬件算子支持、调度能力与推理优化，保障 PyTorch 模型可在昇腾 NPU 上无缝、高效运行。
当前 PyTorch 官方原生 API 已形成完善体系，但部分API尚未在 Torch-NPU 中完成实现、对齐与验证，导致部分 PyTorch 原生模型 / 代码在昇腾 NPU 上运行时出现接口报错、功能不一致等问题。
本任务邀请开发者参与 Torch-NPU API 补齐与适配验证，完成缺失 API 的开发、调试、测试与文档交付，完善 Torch-NPU 对 PyTorch 原生 API 的兼容性，提升昇腾 NPU 上 PyTorch 框架的易用性与模型适配覆盖率。

二、核心任务范围
1、用例补齐
（1）pytorch官方社区有用例，则做NPU适配，并将patch提交PR到torch-npu的test_upstream目录。
若test_upstream已有相关patch，则需要分析合理性，不合理则修改；进行验证并提供日志。
若NPU适配不需要做任何修改，则直接在issue中进行说明。
提交到2.7.1 2.8.0 2.9.0 2.10.0 2.11.0，后面如果发布了2.12.0版本同样要提交代码，但是master不需要提交。
（2）pytorch官方社区无用例，则自己写用例，并提交PR到torch-npu的test目录。
提交到2.7.1 2.8.0 2.9.0 2.10.0 2.11.0以及master，后面如果发布了2.12.0版本同样要提交代码。

2、API补齐
如果API运行失败，或者API和torch社区不一致，则需要提交PR对API进行功能补齐，并给出补齐思路、运行日志等。
提交到2.7.1 2.8.0 2.9.0 2.10.0 2.11.0以及master，后面如果发布了2.12.0版本同样要提交代码。

3、资料补齐
如果有api实际已经支持，但文档中没有，则在
https://gitcode.com/Ascend/pytorch/tree/v2.7.1/docs/zh/native_apis 中进行补充，注意：只需要提交PR合入2.7.1版本，但是该目录下所有版本的api支持情况都要刷新。

注意：整个补齐过程要在issue或者PR中要详细说明，如API功能、用例完备性（pytorch官方用例或者自写用例）、适配方案（API适配方案、用例适配方案）、运行结果等等。如果需要提交PR（用例、代码、文档等），则在PR中详述即可，可以不提交issue；如果不需要提交PR，则必须提交issue并在issue中详述。

三、交付标准与积分
开发者可认领任务列表中的单个 API / 一组关联 API（torch-npu社区标签为intern的issue中，每个issue中的api数量不等，开发者一次只能认领一个issue）。一个api积分10积分，如果一个issue中有10个api，那完成后即可获得100积分。

四、补充说明
积分规则：任务积分按最终完成结算，不做阶段累积（完整完成issue中各个API，可获得完整积分，否则无法获得积分）；

参考资源：
参考指导：https://www.hiascend.com/developer/courses/detail/2016448591740112898
Torch-NPU 代码仓：https://gitcode.com/Ascend/pytorch
开发规范：所有代码、文档、测试用例必须遵循 Torch-NPU 开源社区规范，保证可读性、可维护性与可复现性；

五、任务价值
深度参与昇腾生态 + PyTorch 开源共建，贡献代码合入官方仓库；
掌握 NPU PyTorch 框架适配、异构计算核心技能；
获得开源社区认可，积累工业级实习项目经验，提升简历竞争力。

六、API任务
torch.fx.experimental.symbolic_shapes.DimConstraints.forced_specializations
torch.fx.experimental.symbolic_shapes.DimConstraints.prettify_results
torch.fx.experimental.symbolic_shapes.DimConstraints.rewrite_with_congruences
torch.fx.experimental.symbolic_shapes.DimConstraints.solve
torch.fx.experimental.symbolic_shapes.DimDynamic

总结
任务核心：补齐 Torch-NPU 缺失的 PyTorch 原生 API，保障接口兼容、精度一致、可稳定运行；
交付物统一包含：补齐代码 + 运行日志 + 测试用例 + 资料，实际根据api情况略有区别，如不需要补齐则不需要补齐api代码。