• 评测数据集生成挑战赛（GPUCodeForces）
• • 🧠 比赛背景简介
  • 🎯 比赛目标
  • 📥 如何参与提交？
  • • ✅ 参赛资格
    • 📦 提交内容
  • 📈 评分规则
  • • 📊 基础得分
    • ✨ 加分项
  • 🏅 排名机制
  • 📚 术语解释
  • 📬 联系与帮助

评测数据集生成挑战赛（GPUCodeForces）

欢迎参加 评测数据集生成挑战赛 📊！
本比赛旨在构建一个标准化、可用于 GPU 性能测试的评测数据集，帮助开发者更高效地比较不同硬件和框架的性能表现。

---

🧠 比赛背景简介

在 AI 模型开发和部署中，GPU 性能评测是一个非常重要的环节。
不同 GPU、不同深度学习框架（如 PyTorch、TensorFlow、PaddlePaddle 等）在运行相同任务时，速度、吞吐量、内存占用等表现差异很大。
本次挑战赛希望通过社区的力量，构建一个标准化、带权重的评测数据集，让 GPU 性能比较更加科学、公正。

---

🎯 比赛目标

• 从 PyTorch、PaddlePaddle、TensorFlow、Jax、MMCV、Transformers 等框架中收集并生成评测样本。
• 为每个样本提供标准输出和性能指标，确保结果可复现。
• 最终形成 GPU CodeForces 数据集和评价方法。

---

📥 如何参与提交？

✅ 参赛资格

• 你提交的样本中，至少有 1 个样本被评审通过并正式整合到“GPU CodeForces” 数据集，即可算作有效参赛。

📦 提交内容

• 一个 JSON 格式的数据集文件（详细格式请参考《评测数据集生成挑战赛样本和要求说明》）。
• 每个数据集需包含：
  1. 测试样本（代码或数据）
  2. 标准 GT（Ground Truth）输出生成函数（基于 CPU/Numpy 或原始框架）
  3. CUDA 性能评估指标（执行时间、吞吐量、内存带宽）

---

📈 评分规则

📊 基础得分

内容	分值
提供标准 GT 输出生成函数（Numpy-CPU / 原始框架实现）	+2 分
CUDA 执行时间评估	+5 分
CUDA 吞吐量评估	+4 分
CUDA 内存带宽评估	+3 分

✨ 加分项

内容	分值
提供 Prompt 让 LLM 生成对应的 CUDA 代码，并同样进行性能评价	额外加分

接受数量 = 提交并被评审通过的样本总数

---

🏅 排名机制

1. 优先按接受数量从高到低排序
2. 若数量相同：
   • 比较总评分高者优先
   • 若仍相同，比加分项得分高者优先

---

📚 术语解释

• 评测数据集：用来测试 GPU 性能的一组标准化样本，包括代码、输入数据和预期结果。
• GT（Ground Truth）：标准参考答案或结果，用来验证程序运行是否正确。
• 吞吐量（Throughput）：每秒钟能处理的数据量，越高表示 GPU 处理能力越强。
• 内存带宽（Memory Bandwidth）：单位时间内 GPU 内存与计算核心之间的数据传输速度。
• Prompt：引导大语言模型（LLM）生成代码或内容的提示词。
• LLM：Large Language Model，大语言模型，如 ChatGPT、LLaMA 等。

---

📬 联系与帮助

如需更多信息或格式说明，请查看官方文档或在本仓库提交 Issue 进行讨论。
祝你挑战成功，贡献出高质量的 GPU 评测数据集！🚀