華為ICT大賽挑戰賽，到底考了些啥？

新年伊始，備受矚目的華為ICT大賽挑戰賽又有新進展。1月4日，來自全國多所知名高校的參賽隊伍正式提交了初賽技術方案。這些方案其實就是參賽答卷。不久后，賽事評委們將根據這些方案進行評分，并選出最終晉級決賽的隊伍名單。

小棗君之前曾經給大家介紹過華為ICT大賽挑戰賽。這個比賽是華為ICT大賽的五大賽項之一，專門針對“超智融合（超算+智算）”主題，僅面向國內高校開放報名。

比賽以國產算力平臺（昇騰和鯤鵬）為核心，重點考察參賽隊伍在系統優化、算法調優方面的綜合能力，極具創新性和挑戰性，吸引了業界的廣泛關注。

本次初賽方案提交，不禁讓人對初賽的賽題內容產生了興趣——初賽到底考了些什么呢？難度大不大呢？該如何進行準備？

接下來，我們就對賽題進行一個全方位的解讀。

▉ 挑戰賽初賽賽題分析

華為ICT大賽挑戰賽分為初賽和決賽兩個階段，初賽采用線上的方式進行。比賽主辦方會公布4道賽題，參賽隊伍需要針對這4道賽題，提出相應的優化方案，并線上提交。

這4道賽題，具體是：

可以看出，第1題是基于鯤鵬CPU進行優化，第2-4題是在昇騰NPU上進行優化。這些賽題既涵蓋了超算性能評估、算子優化等基礎領域，又涉及大語言模型推理加速、新型大模型架構開發等前沿技術方向，對參賽隊伍的知識儲備和技術實力提出了全方位的考驗。

我們先看第1題——HPCG優化。

HPCG，是指High Performance Conjugate Gradient（高性能共軛梯度基準測試）。

大家都聽說過手機的“跑分”測試，超算也有自己的“跑分”測試。HPCG就是屬于其中一種。

HPCG用于評估超級計算機在非結構化稀疏線性代數計算中的性能。相比另一種傳統的HPL（High Performance Linpack，聚焦稠密矩陣計算）基準測試，HPCG更貼近真實科學計算、工程模擬的負載特征（如流體力學、有限元分析、地球物理模擬等）。

在超算領域，HPCG優化賽題非常經典，幾乎每年都被各類競賽所采用。在鯤鵬HPC平臺上的各類性能優化競賽上，HPCG優化也是“常客”。

挑戰賽初賽階段，要求參賽隊在鯤鵬CPU上進行HPCG優化，并且限定了編譯器、進程和線程的并行編程模型。我們可以把這道題看成一道“開胃菜”，難度適中。

再來看第2題——Pdist算子優化。

在神經網絡的計算圖中，每個節點就是一個算子，它是模型中最基本的計算單元。整個深度學習模型，可以看作是一個由數據和算子構成的有向無環圖。算子接收一個或多個張量作為輸入，執行特定運算后，產生一個或多個張量作為輸出。

Pdist是機器學習、計算機視覺、自然語言處理等領域的基礎算子，廣泛用于聚類（如DBSCAN）、度量學習、目標跟蹤、特征匹配等任務。Pdist算子優化，是一個平臺性能優化的基礎。

昇騰原生支持Pdist算子，并且在芯片硬件架構（如達芬奇架構的 Cube/Vector 計算單元）上進行了充分適配，可以通過算子級優化（如數據分塊、并行計算）提升計算效率。

賽題要求參賽隊在昇騰處理器上實現并優化Pdist算子，達到賽題任務書所要求的精度，并根據性能進行排名。

整體來說，這道題的難度相對較小。作為昇騰NPU上的第一道賽題，也算是一道“熱身題”。完成這道賽題，會有利于拓展思路，更好地完成后面的賽題。

第3題，推理引擎加速。

近兩年，大語言模型（LLM）從十億參數發展到千億參數級別，已在對話問答、代碼生成、搜索增強、Agent編排、垂直領域知識問答等場景廣泛落地。

模型規模越大，帶來的問題也越多。例如：

計算量巨大：一次完整長上下文生成包含多輪解碼；

延遲敏感：在線對話、搜索推薦、交互式編程對響應時間非常敏感；

成本敏感：大規模部署需要在有限GPU/NPU資源下盡可能提升吞吐。

因此，業界一直在不斷優化LLM推理系統，包括引入vLLM、SGLang等高性能推理框架，通過KV Cache復用、張量并行、連續批處理等手段，提升生成吞吐。

第3道賽題，是前一道算子優化賽題的進一步擴展和延伸，要求參賽隊針對推理采樣后處理階段進行優化，達成端到端推理加速的目的。

賽題任務書推薦了采用Triton融合算子進行加速的方法，同時也歡迎參賽隊提出其他有效的優化方法。

基于第2和第3題，參賽隊會發現，CANN（Compute Architecture for Neural Networks，華為針對AI場景推出的異構計算架構）的算子優化能力對于在昇騰NPU上進行AI模型性能優化非常關鍵。

作為昇騰AI全棧解決方案的核心，CANN發揮著承上啟下的作用。

它提供了完善的工具鏈，支持將PyTorch、TensorFlow等框架的模型快速遷移到昇騰平臺進行高效訓練和推理。它還擁有超過1400個高性能原生算子，以及配套的Ascend C編程語言，可以很方便地進行融合算子的開發。

華為在2025年8月正式宣布CANN全面開源。通過代碼開放、技術賦能和社區運營，已經構建了一個能夠與主流生態競爭的、充滿活力的昇騰AI生態系統。這也是本次挑戰賽能夠舉辦的重要前提。

第4題，Diffusion LLM單卡推理優化（基于昇騰NPU進行優化）。

最后一道賽題，由xLLM團隊為本次挑戰賽精心設計。這不僅體現了xLLM與昇騰團隊的深入合作，也體現出xLLM團隊對于高校人才生態的重視。

xLLM是一款高效的開源大語言模型推理引擎，基于國產人工智能芯片進行了深度優化，可實現企業級部署，兼具更高效率與更低成本。

xLLM采用服務-引擎分離的推理架構，通過多項技術實現效率突破：服務層包含在離線請求彈性調度、動態PD分離、面向多模態的混合EPD機制及高可用容錯能力；引擎層則融合多流并行計算、圖融合優化、投機推理、動態負載均衡與全局KV緩存管理等技術。

Diffusion LLM（dLLM）是近年來興起的新型大模型架構，通過擴散過程生成文本，與傳統自回歸模型有顯著差異。

本賽題要求參賽隊基于xLLM，對LLaDA-MoE-7B-A1B-Instruct進行開發優化，實現在昇騰910B單卡上的高效推理。

這有一定的難度，要求參賽隊伍不僅要熟悉昇騰NPU的硬件特性，還需深入理解Diffusion LLM的獨特架構與運行機制。xLLM推理引擎的分離架構設計，為參賽隊伍提供了靈活的優化空間，尤其是在服務層與引擎層的協同優化上，如何平衡資源調度、提升并行計算效率、減少內存占用，將成為關鍵挑戰。

以上，就是關于4道初賽賽題的介紹。

總的來說，這些賽題不僅全面考察了參賽隊伍在AI計算領域的綜合技術能力，還通過不同難度層次的設置，引導隊伍逐步深入探索昇騰NPU的優化潛力。從HPCG優化到Pdist算子實現，再到推理引擎加速與Diffusion LLM單卡推理，四道賽題形成了一個由淺入深、從基礎到創新的完整技術鏈條，為參賽者提供了充分展示技術實力的舞臺。

賽題雖然有一定的專業性，但內容也是開放的。在開源社區以及其它互聯網平臺，都可以找到參考文檔、論文和源碼。借助AI工具，也可以獲得很多的幫助和支持。相對一些傳統的超算賽事，這個比賽顯然更具開放性，為更多學校參與進來創造了條件。

▉ 結語

華為ICT大賽挑戰賽并不僅僅是一場大學生專業技術競賽。它旨在踐行“以賽促訓、以賽促學、以賽促用”的理念，通過搭建高水平競技平臺，激發高校學子對國產算力平臺及相關技術的興趣與熱情，助力專業人才培養。同時，賽事的舉辦，也能推動國產算力在高校中的普及應用，進一步促進生態體系的成熟完善。

不久后，晉級決賽的名單即將公布。究竟哪些高校團隊能夠順利挺進下一輪，決賽賽題又會有怎樣的設計？讓我們拭目以待！