简介：这份文档是第六届中国研究生人工智能创新大赛华为专项赛题的官方说明材料，面向参赛研究生、指导教师及备赛团队，用于快速厘清赛题背景、任务边界与评审标准。压缩包仅含1个docx文件，约576KB，篇幅精炼却覆盖两条赛题的核心信息：一是未知无规则缺陷图像检测，涉及小样本、低参数量、少模型与推理效率等约束；二是样本稀疏场景下的数值类预测，聚焦CVR预估、转化延迟与新广告冷启难题。文中进一步列出具体要求、评分构成、参考数据集、文献及咨询邮箱，便于团队据此制定技术路线、拆分实验任务并准备提交材料。已有189人学习，适合需要把握华为专项赛题方向、开展选题论证与方案设计的高校参赛者。
1. 开场：七道赛题里最反直觉的一条计分规则
研究生人工智能创新大赛的专项赛题，最容易失误的地方在于很多人把它当成只要刷高榜单得分的比赛。七道题里，有一道专家评分占 60%、竞赛得分只占 40%；有一道人工评分占 40%，另外还有 50MB 的模型体积上限；还有一道打榜与人工评审各占一半。出题方真正在筛选的是“你能不能把一个人工智能算法方案讲到评委信服”，而不是“你能不能把榜单刷高 0.3 个点”。这份赛题文档的隐藏考点分三类：指标口径，比如分割 IOU、PLCC 与 SROCC、攻击成功率与迁移成功率；工程约束，比如参数量、模型数量、单张推理耗时、只允许 CPU；叙述与答辩，比如可解释性、泛化性、新颖性。七道题的挑战描述和评分公式，我逐条拆过，下面按“分从哪来、算法怎么选、答辩怎么答、哪里会失败”这个顺序展开。已经组队报名的可以用它排期，把赛题当算法岗面试素材的也能直接拿走。
2. 评分公式考点：四个权重依次上升，精度最高但不是唯一
2.1 七道题的分数结构先摆平
很多人拿到赛题文档直接从“具体要求”第 1 条开始读，读到第 6、7 条才发现计分方式跟自己想的完全不一样，前面的方案方向已经定错了。正确的读法是先跳到评分段，把“谁打分、打几成、有没有硬性限制”三件事确认下来，再回头选算法。
| 赛题方向 | 计分构成 | 硬性约束 | 策略优先级 |
|---|---|---|---|
| 未知缺陷图像检测 | 竞赛 40% + 专家 60% | 模型数量、参数量、单图推理耗时 | 精度优先，轻量保底 |
| 稀疏样本数值预测 | 竞赛 60% + 专家 40% | 正负样本比例约 1:10000 | 泛化与稳定性优先 |
| Agent 设备规划控制 | 人工评审：准确率、速度、泛化性 | 评估集不少于 1000 条、指令不少于 20 类 | 可评估性优先 |
| 大模型安全对抗攻击 | 攻击成功率 + 1.5×迁移成功率 | 45 条用例扩成 450 条变体 | 迁移性优先于单模型突破 |
| 细粒度猫狗识别 | 品种 15% + 个体 30% + 规模 15% + 人工 40% | 输入 224×224、网络规模 50MB 内 | 个体识别优先 |
| AI 辅助开发 | 打榜 50% + 人工 50% | 固定底座模型、输出函数级代码 | 可复现性优先 |
| 图像质量评估 | PLCC 与 SROCC、五个维度独立排序 | 仅用 CPU、禁用官方外额外数据 | 与主观评分一致性优先 |
这张表最值得盯的是最后一列。七道题里有四道，人工或专家评分占比不低于 40%，意味着“跑出分”只完成了一半工作，另一半是让评委相信这个分是真的、是可复现的、是有解释的。反过来，稀疏样本那道题竞赛占 60%，就说明它更看重你在线下测试集上的实际指标，文档叙述的权重相对下降，资源该往训练和调参上倾斜。
2.2 四个指标权重依次上升：先保精度，再压参数
缺陷检测这道题的评分描述里有一句关键话：模型数量、模型参数量、推理效率、检测精度，四个考量指标的权重依次上升。换成直白的话，精度是权重最高的，模型数量是权重最低的。很多人读成“四个都要”，然后花两个月把参数量压到极致，精度掉了一大截，最后总分反而低。
这类题通常这么答：先用一个精度达标的基线把上限摸清楚，再在这个基线上一层层做减法——共享主干、去掉重复的多模型结构、把后处理搬到 CPU 友好的算子实现，每减一层记录一次精度损失和参数量变化，最后停在“精度损失可接受、参数降幅明显”的拐点上。评委追问“为什么不再压”时，你手里那张“参数-精度”折线图就是答案，这比空口说“我们做了轻量化”有说服力得多。
# 四指标综合分的模拟计算：权重依次上升，精度最高 weights = {"num_models": 0.10, "params": 0.20, "latency": 0.30, "iou": 0.40} def composite(row, w=weights): # row 里各项已归一化到 [0, 1]，数值越大越好 return sum(w[k] * row[k] for k in w) base = {"num_models": 1.0, "params": 0.55, "latency": 0.70, "iou": 0.90} aggressive = {"num_models": 1.0, "params": 0.95, "latency": 0.80, "iou": 0.78} print(round(composite(base), 4)) # 0.775 print(round(composite(aggressive), 4)) # 0.837这段代码只是把评分口径翻译成可以试算的数字。weights对应权重依次上升的四项，row里每一项要先归一化，否则参数量这种数千量级的数值会吞掉其他项。逻辑说明一句：当你纠结“要不要为了参数再掉两个点精度”时，把这个表格填两行进去算一遍，答案往往和直觉相反。参数说明：num_models是模型个数，越少越好，所以单个模型填 1.0；latency是单图推理耗时归一化后的倒数；iou直接就是分割指标。真实场景下这些权重是评委掌握的，这里只用于内部决策对齐，不要写进方案文档当作官方权重。
2.3 专家评分 60% 怎么拿：可解释性文档的三段式
缺陷检测题明确要求提交可解释性文档：模型哪些关键节点对缺陷的哪些关键特征产生了价值，还要附数据或图片作为论据。这个要求看着像额外工作，其实是 60% 专家分的抓手。常见的好写法是三段式：第一段列关键节点，把主干、特征融合层、打分头分别对应到“纹理敏感”“边缘敏感”“面积敏感”；第二段给证据，用消融表说明去掉某一层后哪一类缺陷的 IOU 掉得最多，用热力图说明模型注意力集中在哪里；第三段做反向验证，故意放一张无缺陷图，展示模型的响应值低于判定阈值。
三段式里最容易虚的是第二段。评委看多了“我们的模型具备良好可解释性”这种句子，直接跳过。真正加分的是一张表：三行（完整模型、去掉融合层、去掉多尺度），四列（淡斑、亮线、多区域、划伤），填 IOU。这张表不需要额外训练成本，却把“哪些节点对哪些特征有价值”说得明明白白。
2.4 演练：三道评分口径的答辩题
问题一：你的方案参数量比对手小一半，但精度低 1.2 个点，凭什么得分？
面试官最想听的是你怎么理解权重，而不是参数本身。答题思路：先承认精度是权重最高项，再说明 1.2 个点的精差是否落在测试集波动范围内（用多次随机种子的方差来支撑），最后给出硬件侧的账本——你省下的参数对应单图耗时下降多少、单位设备能并行的路数提升多少。如果这三条都答不出来，这题就是失分题。
问题二：为什么用一个模型覆盖所有缺陷，而不是每个缺陷类型训一个？
这题考的是你有没有读懂“模型数量越少越好”这条。答题思路分两层：技术上是共享特征表达，缺陷形态差异大但底层的纹理与边缘统计是共通的，多模型会把这份共性重复训练很多遍；工程上是维护成本，产线换一种缺陷就要重训一个模型，迭代周期压不下来。反过来也要补一句边界——如果某一类缺陷在特征空间上完全孤立，单模型会让它的召回明显下降，这时会用同一个主干加轻量分支，而不会彻底拆成两个独立模型。
问题三：模型规模卡在 50MB，你会先砍哪一块？
这题来自细粒度识别那道题，考察顺序感。答题思路：先砍冗余的重复卷积块和分类头宽度，再考虑剪枝，量化和蒸馏放在最后，因为它们对精度的影响更难控制、但对体积收益确定。回答时补一句测量方法——体积按各个模型文件（.pth、.onnx 等）的总大小算，不是按参数量乘四字节估算，两者差别不小，很多人就在这里算错。
3. 高频考点：小样本、稀疏样本、细粒度识别的三套标准答法
3.1 未知无规则缺陷：无监督特征建模的标准叙述
这道题的核心矛盾写在题目描述里——真实样本量有限、缺陷种类未知、形态颜色面积数量都不固定。这意味着任何“把缺陷当类别做闭集分类”的方案从第一句就站不住：训练集里没见过的缺陷类型，分类头给不出标签。
站得住的解法主线是只用正常样本建模，推理时判断“偏离程度”。具体可以拆成三步：用预训练主干提多层特征，把正常样本的特征块聚成一个记忆库或分布模型，测试图逐块比对得到异常分数图，再做阈值分割输出缺陷区域和标签。标签命名由参赛者自选，所以分类标签这一项不需要真的学出语义类别，按形态聚类命名即可，比如“点状”“线状”“区域状”“划痕状”四类，正好对应题目里给的参考示意图。
这条主线有三个必须强调的细节。一是多尺度，淡斑面积小、多区域缺陷面积大，单一尺度的特征图会顾此失彼，需要在两三个层级上分别打分再融合。二是推理效率，题目把并行处理图片列为加分项，所以批处理能力和单图耗时都要在方案里显式给出数字。三是泛化，题目允许用数据增强和外部开源数据，增强策略要写成可复现的配置，而不是“我们做了丰富的数据增强”一句话带过。
import numpy as np def iou(pred, gt, eps=1e-6): """pred / gt 为同尺寸二值掩码""" inter = np.logical_and(pred, gt).sum() union = np.logical_or(pred, gt).sum() return (inter + eps) / (union + eps)这段是分割指标的最简实现，逻辑只有一行：交集除并集。参数说明：eps防止全背景图导致的除零；pred与gt必须先二值化，阈值取多少要写进方案文档，因为阈值直接决定 IOU 的高低。这里有个容易忽略的点——当缺陷面积只有几十个像素时，掩码边缘差一个像素就能让 IOU 掉好几个点，所以边界附近要不要做形态学处理、后处理算不算进推理耗时，都得在文档里交代清楚，否则评委复现出来的数字会和你报的对不上。
3.2 99% 稀疏度下的转化预估：三件套缺一不可
稀疏样本这道题把三个挑战写得很直白：正负样本比例约 1:10000、转化存在延迟形成假负样本、新广告没有行为数据。这三条对应三套标准答法，答题时分开讲，别揉成一段。
样本稀疏用全空间多任务建模的思路：主任务学点击，辅任务学“点击且转化”，两个任务共享底层特征，转化塔借点击塔的样本来缓解正样本太少的问题。回答时要补一句约束——训练和推理的样本空间必须对齐，否则离线指标虚高、线上直接崩。
转化延迟用观察窗口加权重校正：设定一个延迟窗口，窗口内未转化的样本不直接标成负样本，而是降权或者单独成组；或者用延迟分布建模，把“未来可能转化”的概率折进损失里。这题评委最爱追问的就是“你怎么知道窗口取多长”，答案应该来自数据里延迟天数的分布分位数，比如取覆盖 90% 转化行为的时长，而不是随手定七天。
新广告冷启动用内容特征兜底：没有行为数据时，用素材、类目、落地页等特征先给一个先验分，等累积到一定曝光量再切回行为模型。这个切换阈值同样要给出依据。
3.3 细粒度猫狗：品种和个体是两种完全不同的任务
这道题的评分表把权重写得很清楚：品种识别 15%、个体识别 30%、模型规模 15%、人工评分 40%。个体识别权重是品种的两倍，说明它才是主战场，很多人一上来猛做品种分类，方向就偏了。
品种识别是标准分类问题，难点在数据：公开数据集的品种定义和标注质量参差不齐，需要先做清洗与合并，把长得太像的品种合并或分层处理。个体识别是度量学习问题，输入是两张图，输出是不是同一只，做法是把每张图映射成特征向量，用向量距离判别，训练用三元组或对比损失，采样策略比网络结构更影响结果——难样本怎么挖，直接决定最后准确率。
轻量化那条 15% 的分数别丢。50MB 的体积红线按模型文件总大小算，剪枝、量化、蒸馏都能用，但要给出量化后精度掉了多少的实测表。还有一个细节：同分情况下以多次测量的推断时延排名，所以推理时延要在方案里作为一等公民对待，别等最后才发现预处理拖了后腿。
3.4 演练：三道算法选型题
问题一：为什么不用一个有监督分割网络直接训缺陷？
答题思路：先讲数据条件——真实样本量有限、缺陷种类未知，有监督分割需要每类缺陷的像素级标注，这在产线上拿不到；再讲后果——闭集模型对未见缺陷的响应不可控，可能整张图判正常；最后给折中方案，用少量真实正负样本校准阈值，主体仍走无监督路线。
问题二：正负样本 1:10000，直接上采样正样本行不行？
这是典型的陷阱题。答题思路：过采样会让模型在重复样本上过拟合，线上效果波动反而更大，题目描述里“线上效果波动严重”就是在提示这一点。正确答法是重加权或全空间建模，并给出对假阴性、假阳性的分别影响。
问题三：个体识别用分类代替可不可以？
答题思路：先承认闭集分类在已知个体上有效，再指出它无法处理新个体，而题目要的是“评估两张照片是否同一个体”，本质是开集问题。落点是度量学习加距离阈值，阈值用验证集上的等错误率点确定。
4. 大模型与指标考点：Agent 工作流、对抗迁移、PLCC 与 SROCC
4.1 2000+ 插件与多步规划：把工作流讲成可评估的东西
Agent 这道题的人工评审只看三件事：设备操控准确率、工作流运行速度、泛化性。所以方案文档的写法应该是“可评估优先”，而不是“结构越花哨越好”。
一个能拿分的叙述结构是这样：先讲意图解析，用户 query 进来先做槽位抽取，识别出设备、动作、参数；再讲插件召回，从 2000 多个插件里先粗召回再精排，这一步必须给出召回率数字，否则“支持 2000+ 插件”就是空话；再讲规划，多步或并行操控要落成有向无环图，节点是单步指令，边是依赖关系；最后讲执行与回滚，某一步失败时怎么降级、怎么给用户可理解的反馈。
泛化性那一条要单独设计。题目要求系统能快速适配没见过的新工具，标准答法是插件描述标准化加少量示例的上下文注入，让模型靠描述而不是靠记忆来选工具。答题时补一句评估方法：在评估集里专门留一批训练时从未出现的插件，单独报一列准确率，这个数字比总体准确率更能打动评委。
评估集的硬性要求是不少于 1000 条、控制指令不少于 20 类。构造时注意分布，别一千条里八百条都是开关灯。运行速度那项也要给口径：是端到端时延还是单步推理时延，含不含插件调用返回时间，写清楚才不会被扣分。
4.2 攻击成功率加 1.5 倍迁移成功率：算分公式决定攻击策略
安全对抗这道题的计分公式是攻击成功率加 1.5 倍的迁移成功率，总共 450 条测试用例。这个 1.5 的系数是整道题最重要的信息，它明确告诉你：在一个模型上打得准不如打得广。
def attack_score(success, migrated, total=450, alpha=1.5): """success: 目标模型上成功的用例数；migrated: 迁移到另一模型仍成功的用例数""" asr = success / total tsr = migrated / total return asr + alpha * tsr, asr, tsr score, asr, tsr = attack_score(success=300, migrated=120) print(f"总分 {score:.3f} 攻击成功率 {asr:.3f} 迁移成功率 {tsr:.3f}")这段代码把评分公式直接算成决策依据。参数说明：alpha是迁移项的权重，题面固定为 1.5；total是 45 条用例每条扩 10 个变体的总数，扩变体的数量必须严格对齐，少扩或多扩都会导致分母错位。逻辑说明一句：当你在“把某个用例打磨到百分百成功”和“让一个通用模板多覆盖十个用例”之间犹豫时，代进这个式子算一下，后者的边际收益通常更高。方案文档里要把这个取舍写出来，评委看到你按公式做策略，会认为你读懂了题。
还有一个红线必须写进文档：所有测试只在本地部署的模型上进行，不对任何线上服务做尝试。这条不做，方案再漂亮也会被判违规。
4.3 图像质量评估：PLCC 和 SROCC 不是一回事
这道题看起来最“传统”，实际上指标口径最容易讲错。PLCC 是皮尔逊线性相关系数，衡量预测分数与主观分的线性一致性，对绝对值的偏移敏感；SROCC 是斯皮尔曼秩序相关系数，只看排序单调性，对整体缩放不敏感。两个都要接近 1，但它们优化的方向不完全一致。
落到方案上，传统方法与深度方法都能做，题面明确说不限定路线。稳的做法是先用结构相似性一类的手工特征建立可解释的基线，再用深度特征回归做提升，最后做五维度的独立打分：综合、噪声、细节、色彩、对比度，每个维度单独算 PLCC 与 SROCC。这里有个高频失误——五个维度用同一个模型输出五个头，训练时损失权重没调好，弱维度把强维度拖下水，正确做法是分别验证每个维度的收敛情况再决定共享程度。
约束条件也别忘了：只允许 CPU、不允许使用官方提供之外的额外数据、输出是 output.txt 加 readme.txt 两份文件，readme 里要标每张图的运行时间、是否用 CPU 或 GPU、是否用了额外数据。这类格式要求看着琐碎，实际是送分项，格式错一项，人工审核第一步就被扣。
4.4 演练：三道答辩追问
问题一：你的 Agent 在评估集上准确率 92%，怎么证明这不是过拟合评估集？
答题思路：先分列“已见插件”和“未见插件”两组准确率，再看多步任务和单步任务的差距；然后给失败案例的分类统计，说明失败集中在哪类指令上。评委要的是你对边界的认知，不是一个更高的数字。
问题二：迁移成功率上不去，是不是该换更强的攻击算法？
答题思路：先别换算法，先看变体生成策略是否过于依赖单一模型的梯度特征。迁移的本质是攻击模式要通用，通用模板加多样化变体通常比单点强攻更划算。答完补一句成本账：450 条用例的评测轮次有限，把预算压在迁移上是公式决定的。
问题三：IQA 模型的 PLCC 很高，SROCC 一般，说明什么？
答题思路：说明绝对值拟合得不错但排序有局部颠倒，常见原因是中间质量段的样本分辨率不够。答法上给出改进方向——按主观分分层采样，加强中间段的训练权重，而不是整体加数据量。
5. 易错点：七道题里五个高频失分的地方
5.1 易错一：把“未知缺陷”做成闭集分类
错在哪：方案里出现“缺陷类别共 N 类，分类头输出 N 维”，然后靠堆数据提升准确率。为什么错：题目第一句就写了缺陷种类多、形态复杂、存在未知种类，闭集分类对训练时没出现过的缺陷给不出正确响应，专家评分那 60% 里“泛化性”一项直接归零。怎么答对：主干只学正常样本的分布，异常分数与分割结果由偏离程度决定，标签按形态聚类命名，并在文档里显式说明“新缺陷无需重训即可检出”，最好附一张未参与训练的缺陷类型的检测结果图。
5.2 易错二：把延迟转化直接当负样本
错在哪：训练时把观察窗口内还没转化的样本一律标 0。为什么错：题目描述里的“假负样本”就是在提示这个坑，用户三天后才付费，你在第一天就把他标成负样本，模型学到的是“这类用户不转化”，线上会出现系统性低估，广告主超成本问题随之而来。怎么答对：设观察窗口并对窗口内未转化样本降权，或用延迟分布建模把未来转化概率折进损失；文档里要给出窗口取值的分位数依据，以及开启与关闭校正的离线指标对比表。
5.3 易错三：模型体积按参数量估算
错在哪：算出参数量 12M，乘四字节得 48MB，就认为满足 50MB 以内。为什么错：评分口径是按各个模型存储文件的总大小算，浮点精度、优化器状态、是否多存了一份导出格式都会让实际体积翻倍。怎么答对：训练完立刻导出最终提交格式并测量文件总大小，把量化前后的体积和精度做成对照表；如果用了多个模型文件，全部加起来算，别只报主模型。
5.4 易错四：攻击赛题只优化目标模型
错在哪：把全部精力放在让目标模型输出违规内容，迁移那一项没设计。为什么错：计分公式里迁移项带 1.5 倍系数，450 条用例里迁移成功的每一条价值是普通成功的一条半，只做单模型的方案在总分上天然吃亏。怎么答对：变体生成阶段就追求通用性，多用语义改写、角色设定、多轮引导这类与模型无关的手段，少依赖特定模型的梯度信号；文档里把攻击成功率与迁移成功率分两列报，并说明两者此消彼长时的取舍。
5.5 易错五：可解释性文档写成结构说明书
错在哪：通篇画模块图、列层数、讲用了什么主干，最后加一句“模型具备良好的可解释性”。为什么错：题目要的是“哪些关键节点对哪些关键特征产生价值”，是因果性说明加证据，不是结构介绍。怎么答对：按节点、特征、证据三段写，每个论断后面跟一张图或一行消融数据；至少给一组反例，说明模型在什么情况下会失效、失效原因是什么。评委看的是你敢不敢承认边界，而不是你的模型有多完美。
5.6 易错六：评估集规模凑数
错在哪：Agent 那道题要求评估集不少于 1000 条，有人把同一条指令换个说法算两条。为什么错：人工评审看的是覆盖度，指令类别是否真的达到 20 类、多步与并行任务占比多少，凑数一眼能看出来，还会连带影响“泛化性”评分。怎么答对：按指令类型、设备类型、步数三个维度做交叉分布表，每一格给样本数，缺的格子补上；再留一列“训练中未出现的新插件”，单独报准确率。
6. 从提交物倒推：我一直用的那张清单和那个习惯
赛题文档里反复出现同一组交付物：模型代码、模型文件、方案说明文档、演示材料。这四个东西不是最后一周才开始补，而是从第一天就按最终格式存。我吃过一次亏，前期只留了训练脚本，模型文件命名混乱，最后要复现某组实验时找不到对应的权重，只能重训，白白烧掉两天。从那以后我每次开新项目，第一步都是把目录和命名规则定死。
| 交付物 | 最低要求 | 我额外会放的 |
|---|---|---|
| 模型代码 | 能跑通推理，含依赖说明 | 固定随机种子的训练入口 |
| 模型文件 | 最终提交格式，体积实测 | 量化前后两版对照 |
| 方案文档 | 方案、指标、复现步骤 | 消融表、失败案例分析 |
| 演示材料 | 逐条用例的实际输出 | 时延与资源占用截图 |
# 提交目录按这个结构组织，评审复现时少问十个问题 submission/ ├── code/ # 推理入口与依赖清单，固定随机种子 ├── weights/ # 最终模型文件，体积实测后写进 readme ├── docs/ # 方案文档、消融表、失败案例分析 └── demo/ # 逐条用例输出与资源占用记录这个结构没有技术含量，但它解决的是评审最烦的事——拿到一堆文件不知道从哪开始。代码放最前，权重单独一层，文档里写清楚每个文件对应哪个实验编号，演示材料按用例编号排。主任评委打开压缩包三十秒内能找到入口，你的印象分就已经拿到了。
押题思路说一句：七道题里，凡是带“未知”“稀疏”“泛化”“迁移”字样的，本质都在考同一件事——你的方案在分布外还成不成立。准备的优先级应该是先想清楚“我的方法在什么情况下会失效”，再倒推需要哪些证据来证明它没那么容易失效。这个顺序反过来，文档就会写成自夸。
从那以后我每次带队，交材料前一晚都强制走一遍“陌生人视角”：假装自己没参与，只看目录和文档，能不能在半小时内跑出和文档一致的结果。跑不出来，就回去改，改到能为止。希望帮到你。
本文还有配套的精品资源，点击获取
