2.7 KiB
S1 GPUCodeForces FAQ
2025/8/26
Q1：数据集主题是否太过宽泛？是否需要增加特定限制条件来帮助参赛者聚焦某一领域下研究？
A1：不做限制，看重性能。
经典计算密集型任务 矩阵乘法（GEMM）
卷积（Convolution）
快速傅里叶变换（FFT）
排序（Sorting）
规约（Reduction）
扫描（Scan）
图像/视觉处理任务 图像滤波（高斯模糊、边缘检测）
图像变形（Warping）
光流计算
新兴或特定领域任务 MoE（Mixture of Experts）中的专家路由
稀疏矩阵运算
图神经网络中的聚合操作
深度学习常见算子 LayerNorm / BatchNorm
Softmax / LogSoftmax
Attention 机制（Self-Attention, Cross-Attention）
激活函数（如 Swish, GELU）
损失函数（如 CrossEntropy）
Q2：JSON文件的格式似乎没有明确规定？如下能有一个直观的输出例子会更好
A2：提交可运行目录即可，无需特定格式json。
{
"task_name": "matrix_multiplication",
"description": "...",
"input_generator": "code snippet or function name",
"gt_generator": "code snippet or function name",
"metrics": ["time", "throughput", "bandwidth"],
"prompt": "Optional prompt for LLM"
}
Q3：建议补充错误处理和边界情况说明（比如输入为非方阵、极端大小等情况）
A3：若前项评分相同，看加分项的评分。评测反馈交互在PR，当选手提交PR相同的时候作为额外加分项时裁判会根据这些细节进行打分，也会对比赛最后结果有一定的影响。
Q4：评分规则这里明确了评估方面但没有给出具体数值范围，添加一个范围会不会更好？各方面评估是否增加分段会更好（执行时间评估-->0.1s +1分，0.01s+2分...-->最高+5分）？
A4：核数量排名优先，同级再看评分。
Q5：提供prompt让LLM生成代码，如何确保【同样prompt每次都生成不同的代码】的不确定性带来的代码质量不稳定，从而引发的评分不稳定问题？
A5：一般不会出现这种问题，评测相对稳定。
Q6：参赛者除了提交后能知道评分后，还能有其他方法能够更快地知道评分吗（本地评测模型、评分手册对照）？
A6：评测本身速度就足够快，不用担心这个问题。
改进的地方：
-
核数量排名脚本
-
再出一版参赛说明，详情解释文档内各文件的作用