据ASC19组委会消息,来自美国、德国、俄罗斯、波兰、意大利、西班牙、新加坡、泰国、印度尼西亚、巴西、澳大利亚等国家的多支海外高校队伍已报名参赛,预计今年海外参赛人数将再创新高。目前报名仍在火热进行中,将于1月7日截止。
自2013年ASC首次吸引海外高校参加以来,大赛在国际化的道路上发力前行,逐渐成长为国际化的青年科技交流平台。米什科尔茨大学、圣彼得堡国立大学、乌拉尔联邦大学、埃尔朗根-纽伦堡大学、华沙大学、南洋理工大学、泰国农业大学、印尼Telkom大学等海外高校已成为ASC的老朋友,多次出席决赛。此外,巴西圣保罗大学、美国麻省大学联队、蔚山科学技术大学、阿卜杜勒·阿齐兹国王大学等也曾参加过决赛的角逐。ASC17、ASC18总决赛20支队伍中,来自中国大陆之外的队伍都达到了7支。
在历届ASC比赛中,不少海外参赛队伍展现了不俗的实力与创新能力。南洋理工大学首次参加ASC就获得亚军,次年又在3000W功耗约束下实现了每秒11.92万亿次浮点运算的超高性能并打破世界纪录,获得最高计算性能奖。乌拉尔联邦大学在ASC17中针对智能驾驶交通预测赛题,采用了具有良好可拓展性的独立空间特征提取的方法,展现了对神经网络模型的深刻理解与优化能力,为解决交通拥堵问题提供了新思路,获得应用创新奖。而在ASC18,圣彼得堡国立大学凭借出色的应用理解与性能优化能力也获得了这一奖项。
圣彼得堡国立大学参赛队员在ASC18决赛现场
是什么吸引了这些海外高校的师生不远万里来到中国参加ASC?今年首次参加ASC即晋级决赛的德州农工大学代表队队员Shaina D. Le认为:“比赛通常意味着对抗,但在ASC队员们齐心协力解决问题,所有人都能从中受益”。她在比赛中认识了友好的志愿者、来自世界各地的优秀同龄人和顶尖超算专家,同时感受了独特的中国文化,这些都令她印象深刻。
德州农工大学代表队在ASC18决赛现场
埃尔朗根-纽伦堡大学代表队指导老师Alexander Ditter对ASC大赛的组织大加赞赏,在他看来,“ASC是一场专业而友好的比赛,既可以交流、拓展专业知识,又能够体验中国文化”。而华沙大学代表队队员Marcin Mielniczuk在参加ASC17后对中国文化产生了浓厚的兴趣,现在已经学习了一年半的汉语。他用汉语写道:“显然,参加ASC 的时候我还有很多超算的进步。我可以用世界最强大的超级计算机‘神威·太湖之光’。这是真的独特的经历。在ASC 我能一边学习,一边认识中国的文化。虽然我毕业后不再能参加ASC,但是我希望我将来还有机会去中国。”
参与ASC竞赛的是来自不同国家与地区、使用不同语言的极富潜力的大学生队伍,他们在一起竞赛交流,动手建设集群系统,完成各项应用的挑战,这将极大地激发他们对于超算科技的兴趣和热情,鼓励他们更好地学习并使用超算。而跨文化的交流互动,也将让青年之间建立合作与友谊的桥梁,为未来国际科学协作建立良好基础。
ASC世界大学生超算竞赛是由中国发起组织,并得到亚洲及欧美相关专家和机构支持,旨在通过大赛平台推动各国及地区间超算青年人才交流和培养,提升超算应用水平和研发能力,发挥超算的科技驱动力,促进科技与产业创新。
好文章,需要你的鼓励
这项来自苹果公司的研究揭示了视频大语言模型评测的两大关键问题:许多测试问题不看视频就能回答正确,且打乱视频帧顺序后模型表现几乎不变。研究提出VBenchComp框架,将视频问题分为四类:语言模型可回答型、语义型、时序型和其他类型,发现在主流评测中高达70%的问题实际上未测试真正的视频理解能力。通过重新评估现有模型,研究团队证明单一总分可能掩盖关键能力差距,并提出了更高效的评测方法,为未来视频AI评测提供了新方向。
这篇来自KAIST AI研究团队的论文提出了"差分信息分布"(DID)这一创新概念,为理解直接偏好优化(DPO)提供全新视角。研究证明,当偏好数据编码了从参考策略到目标策略所需的差分信息时,DPO中的对数比率奖励形式是唯一最优的。通过分析DID熵,研究解释了对数似然位移现象,并发现高熵DID有利于通用指令跟随,而低熵DID适合知识密集型问答。这一框架统一了对DPO目标、偏好数据结构和策略行为的理解,为语言模型对齐提供理论支持。
VidText是一个全新的视频文本理解基准,解决了现有评估体系的关键缺口。它涵盖多种现实场景和多语言内容,提出三层评估框架(视频级、片段级、实例级),并配对感知与推理任务。对18个先进多模态模型的测试显示,即使最佳表现的Gemini 1.5 Pro也仅达46.8%平均分,远低于人类水平。研究揭示输入分辨率、OCR能力等内在因素和辅助信息、思维链推理等外部因素对性能有显著影响,为未来视频文本理解研究提供了方向。
ZeroGUI是一项突破性研究,实现了零人工成本下的GUI代理自动化在线学习。由上海人工智能实验室和清华大学等机构联合开发,这一框架利用视觉-语言模型自动生成训练任务并提供奖励反馈,使AI助手能够自主学习操作各种图形界面。通过两阶段强化学习策略,ZeroGUI显著提升了代理性能,在OSWorld环境中使UI-TARS和Aguvis模型分别获得14%和63%的相对改进。该研究彻底消除了传统方法对昂贵人工标注的依赖,为GUI代理技术的大规模应用铺平了道路。