首先，关于你在手写数字识别任务中使用SVM进行多分类的疑问：

OvO（One-vs-One）和 OvR（One-vs-Rest）的运行时间差异： 通常情况下，OvO的运行时间会比OvR更长，因为OvO需要训练 $C_k^2$ 个二元分类器，其中 $C_k$ 是类别数。然而，实际的运行时间也受到数据集的特性和具体实现的影响。在你的情况下，OvO的运行时间比OvR短，这可能是由于具体的实验环境、硬件配置或数据集特性等因素。

OvO和OvR在测试集上准确度相同的原因： 在某些情况下，特别是当数据集相对均衡或类别之间的分界相对清晰时，OvO和OvR的性能可能非常接近，导致在测试集上的准确度相同。在实际应用中，它们之间的性能差异可能更加明显，尤其是在处理不平衡类别或存在重叠的类别时。

对于为什么在你的情况下结果相反，可能的原因有：

具体实现差异： 不同的机器学习库和工具包对OvO和OvR的实现可能有细微的差异，这可能导致不同的性能表现。

数据集特性： 手写数字识别的问题可能导致某些类别对于高斯核的SVM而言比较容易区分，这可能使得OvO在你的数据集上表现更好。

如果你希望更深入地了解为什么在你的实验中OvO比OvR快，你可能需要考虑具体的实验设置、数据集特性以及所使用的机器学习库的实现细节。尝试调整超参数、使用不同的核函数、检查模型的收敛情况等，可能会有助于理解这一现象。

另外，确保你的实验过程中采用了良好的交叉验证和评估方法，以确保结果的稳定性和可靠性。