🟡 Medium Priority

测试名和 docstring 都声称 "1.0 / x should be folded"，但测试体中仅通过 torch.testing.assert_close(m(t), gm(t)) 验证正确性，未对图中是否仍有 div 节点做任何断言。

查看 fold_four_op_pass 实现：div 分支仅处理右操作数为 1 的情况（try_match(inp0, inp1, is_one_like, "right")），不处理左操作数为 1 的 1.0 / x 场景（无 rdiv_ops 分支）。因此该 pass 实际上不会折叠 torch.div(1.0, x)。

后果：测试会通过（pass 未破坏正确性），但并未验证其声称的折叠行为，造成虚假的测试覆盖信心。

修复方向：要么在 pass 中补充 rdiv 折叠逻辑并加入对应的节点断言；要么将测试改名/改 docstring 为验证"不对 1.0/x 做错误折叠"。

建议：要么为 fold_four_op_pass 补充 rdiv 折叠能力并在测试中加入节点计数断言；要么将测试名和 docstring 改为表示验证"1.0/x 不被错误折叠"。

🟠 High Priority

测试 test_add_zero_left_fold 在第 73-77 行断言图中不应存在任何 add 节点：self.assertFalse(any(n.target in (torch.add, torch.ops.aten.add.Tensor, torch.ops.aten.add.Scalar) for n in gm.graph.nodes))。

但模型定义（第 59-62 行）中：y = torch.ops.aten.add.Tensor(0, x) 折叠后 y→x，而 torch.relu(y + 1.0) 中的 y + 1.0 仍会生成一个新的 add 节点（add.Tensor(x, 1.0) 或 add.Scalar(x, 1.0)，因为 1.0 ≠ 0，不会被 fold_four_op_pass 折叠）。因此图中必然残留一个 add 节点，assertFalse 将失败。

触发条件：fold_four_op_pass 正确折叠 0 + x 后，x + 1.0 的 add 节点仍然存在。

修复方向：将断言改为验证折叠后的图中仅剩余 x + 1.0 这一个 add 节点（即 len(add_nodes) == 1），或修改模型使 y + 1.0 不产生 add 节点（例如改为 torch.mul(y, 2.0)）。

建议：将断言从 assertFalse（零 add 节点）改为 assertEqual(len(add_nodes), 1)，只验证 0 + x 被折叠，而 x + 1.0 正常保留。

🟡 Medium Priority

变更行：第 79-96 行（test_clone_different_memory_format_no_fold）。

证据链：

1. 测试模型的 forward 直接把 cloned 作为返回值（第 86 行 return cloned），即 clone 节点是 output 节点的直接输入。
2. fold_clone 在构建候选列表时（ascend_graph_pass.py 第 370 行），要求 get_node_unique_id(node) not in output_storages。该 clone 在 output_storages 中，因此永远不会成为候选节点。
3. 实际的 memory_format 比较（ascend_graph_pass.py 第 377-378 行）对此 clone 节点从未被执行。
4. 测试断言 len(clone_nodes) == 1 通过，但原因不是"memory_format 不同"，而是"clone 在输出路径上被保护"。

失败模式：如果后续有人误修改了 fold_clone 的 memory_format 比较逻辑（例如错误地把 preserve_format 视为与 contiguous_format 等同），该测试不会捕获到回归——因为 clone 从未进入 memory_format 检查分支。这造成了对 memory_format 守卫逻辑的虚假覆盖率。

建议：将模型改为 clone 不直接作为输出，让 clone 进入 fold_clone 的候选列表，真正触发 memory_format 比较路径。例如：return cloned + 1.0 代替 return cloned。

🟡 Medium Priority

变更行：第 176-194 行（test_clone_without_tensor_meta_no_fold）。

证据链：

1. 测试模型的 forward 直接把 cloned 作为返回值（第 182 行 return cloned），即 clone 节点是 output 节点的直接输入。
2. fold_clone 在构建候选列表时（ascend_graph_pass.py 第 370 行），要求 get_node_unique_id(node) not in output_storages。该 clone 在 output_storages 中，因此永远不会成为候选节点。
3. 对候选节点的 tensor_meta 检查（ascend_graph_pass.py 第 374 行）对此 clone 节点从未被执行。
4. 测试在第 187-189 行删除 tensor_meta，然后在第 191 行调用 fold_clone，断言 len(clone_nodes) == 1。断言通过，但原因不是"缺少 tensor_meta 导致跳过折叠"，而是"clone 在输出路径上被保护"——与第 187-189 行的 tensor_meta 删除操作完全无关。

失败模式：如果后续有人误修改了 fold_clone 的 tensor_meta 守卫（例如错误地删除了第 374 行的 continue），该测试不会捕获到回归——因为 clone 从未进入 tensor_meta 检查分支。这造成了对 tensor_meta 守卫逻辑的虚假覆盖率。此外，第 187-189 行的 "故意移除 tensor_meta" 注释和实际代码暗示作者意图测试 tensor_meta 守卫，但测试结构无法达到此目的。

建议：将模型改为 clone 不直接作为输出（如 return cloned + 1.0），并先用 ShapeProp 添加 tensor_meta 再删除，确保 clone 进入候选列表后真正触发 tensor_meta 缺失的守卫逻辑。