WeirdML (v2) 基准测试：模型需在 Docker 中写 PyTorch 代码解题

WeirdML (v2) 通过自动化流水线在隔离 Docker 环境中执行模型生成的 PyTorch 代码来评测模型，模型有 5 次迭代机会，每次获得执行日志和测试准确率反馈。