«Кубок Сяньдао» 2026: коли для перемоги недостатньо просто запустити модель

Сьомий Національний конкурс студентів у галузі комп’ютерних систем — конкурс інноваційного проєктування інтелектуальних обчислень, відомий як «Кубок Сяньдао», поставив перед учасниками запитання, яке часто залишається поза межами звичайних алгоритмічних олімпіад: чи можна зробити модель не лише правильною, а й швидкою, стабільною, економною та придатною для реального застосування?

Змагання тривало майже три місяці. У ньому взяли участь понад 500 команд і більш як 1 900 студентів зі 160 університетів. Відбір складався з онлайн-етапу, закритої очної практичної роботи та публічних захистів. Оцінювали технічну новизну, продуктивність системи, якість інженерної реалізації та прикладну цінність проєкту. 2714

Що таке «Кубок Сяньдао»

«Кубок Сяньдао» — це спеціалізований трек з інноваційного проєктування інтелектуальних обчислень у межах Національного конкурсу студентів у галузі комп’ютерних систем. У матеріалах про змагання його називають єдиною окремою платформою національного конкурсу, зосередженою саме на інтелектуальних обчисленнях. Мета треку — готувати міждисциплінарних інженерів, здатних долати обмеження програмних середовищ і прикладних наукових та промислових задач. 710

Історія конкурсу почалася щонайменше 2020 року, коли він уже був відкритий для студентів університетів. У 2024 році «Кубок Сяньдао» офіційно додали як новий трек до національного конкурсу з комп’ютерних систем. Попередні сезони значною мірою були присвячені науковим обчисленням і оптимізації прикладних програм. У шостому та сьомому сезонах фокус розширився на інференс великих моделей, системи машинного навчання та оптимізацію на вітчизняних прискорювачах. 1618

Тому це змагання відрізняється від формату, де команда здає алгоритм і просто чекає на оцінку. Тут студентам потрібно працювати на стику моделі, програмного стека, апаратного забезпечення, сервісу розгортання та конкретної наукової чи інженерної задачі.

Чому конкурс залучив так багато учасників

Масштаб забезпечило поєднання національного формату з практичними задачами та доступом до обчислювальних ресурсів, які більшості студентських команд було б складно самостійно зібрати. Співорганізаторами виступили компанія Sugon та Університет Тунцзі. За повідомленнями організаторів і галузевих медіа, учасники також отримали доступ до ресурсів Національного суперкомп’ютерного інтернету та вітчизняних кластерів для ШІ-обчислень. 69

Опис середовища охоплює повний ланцюжок роботи — від навчання й налагодження моделі до міграції, оптимізації продуктивності та фінального оцінювання. У публікаціях згадуються суперкластер ШІ на 100 000 карт і інженерний AI4E-кластер Університету Тунцзі на тисячу карт. 91112

Втім, ці формулювання варто читати критично. Наявні джерела підтверджують надання обчислювальних ресурсів, технічної підтримки та тренувального середовища, але не містять достатньої незалежної технічної документації, щоб перевірити кожну заяву про «безкоштовний» доступ, «повністю вітчизняне» походження інфраструктури або її статус «першої» у своєму роді. Тому такі характеристики не слід сприймати як незалежно доведені факти.

Дві задачі, у яких точність була лише початком

Оптимізація інференсу Qwen

Перша задача стосувалася оптимізації сервісу інференсу великої моделі Qwen на вітчизняних прискорювачах. Команди мали не просто розгорнути модель, а підвищити ефективність її роботи, раціональніше використовувати ресурси, забезпечити стабільність системи та адаптувати її до цільового середовища. 6910

На практиці це означає пошук компромісу між затримкою відповіді, використанням пам’яті прискорювача та пропускною здатністю. Система, яка видає правильний результат, але працює надто повільно, марнує апаратні ресурси або нестабільна під навантаженням, ще не готова до промислового використання.

Саме тому задача змістила акцент із демонстраційної «сили» моделі на програмно-апаратну співоптимізацію — роботу, без якої великі моделі не перетворюються на надійні сервіси.

Погодна модель в екосистемі OneScience

Друга задача була присвячена легкому розгортанню та оптимізації інференсу погодної моделі в екосистемі наукових обчислень OneScience. У матеріалах конкурсу її описують як приклад AI for Science — застосування штучного інтелекту в науці — із погодним прогнозуванням і сценарієм, пов’язаним із супутником на низькій навколоземній орбіті. 9

OneScience позиціонується як платформа для розроблення наукових ШІ-моделей, що охоплює навчання, оптимізацію та інференс у таких сферах, як науки про Землю, біологія, моделювання течій і матеріалознавство.

Потенційні сфери застосування погодних моделей включають попередження про стихійні явища, планування енергопостачання, сільське господарство, судноплавство та управління атмосферними процесами. Водночас твердження про прискорення прогнозування більш ніж у 1 000 разів потрібно розглядати як показник конкретної моделі або прикладного сценарію, а не як універсальну гарантію. Доступні джерела не наводять відтворюваного опису benchmark-тесту, базової системи, порівняння точності прогнозів або умов, за яких було отримано цей множник.

Як працювала модель «1+1+1»

Однією з ключових особливостей конкурсу стала заявлена модель спільного формування задач «1+1+1». Над кожною задачею працювали відповідальний експерт, представник університету та технічна команда підприємства. Експерт здійснював академічний нагляд, університет відповідав за освітню логіку й оцінювання, а підприємство надавало промислові вимоги, допомагало адаптувати платформу та перевіряло технічну реалізацію. 151920

Такий підхід давав змогу перетворити реальні інженерні вузькі місця на задачі, які студенти могли виконати й результати яких можна було порівняти. Він одночасно враховував три вимоги:

• академічну змістовність — задача має бути технічно актуальною;
• освітню придатність — студентам має бути можливо її опанувати та виконати;
• індустріальну реалістичність — рішення повинно працювати в конкретних системних обмеженнях.

Фінальний етап підсилював цю логіку. Учасники виконували практичну роботу офлайн, проходили тестування «чорної скриньки», спілкувалися з експертами та захищали свої рішення. За задумом організаторів, відсутність доступу до зовнішніх сервісів і попередньо підготовлених демонстрацій мала зробити результати більш зіставними та відтворюваними в єдиному середовищі. 11121519

Чого цей конкурс навчає про інженерію ШІ

Найважливіший освітній висновок полягає в тому, що знання моделей саме по собі не вимірює компетентність у створенні ШІ-систем. Студенти мали знаходити вузькі місця, добирати методи оптимізації, адаптувати програмне забезпечення до апаратної платформи, вимірювати продуктивність і пояснювати власні рішення під час захисту.

У цьому сенсі «Кубок Сяньдао» працює як міст між університетом та індустрією. Учасники отримують досвід роботи з процесорами й прискорювачами, системами обслуговування моделей, науково-обчислювальними платформами та програмно-апаратною оптимізацією. Роботодавці, зі свого боку, можуть оцінити поведінку команд у контрольованому тесті, а не лише за якістю презентації. 61020

Конкурс демонструє модель підготовки, у якій навчання, практичні тренування, університетські змагання та національне оцінювання поєднані в одну послідовність. Це може стати шляхом до підготовки інженерів для секторів програмного забезпечення, апаратних рішень і систем ШІ в Китаї. Але сам по собі конкурс ще не доводить довгострокові результати працевлаштування чи повну технологічну незалежність.

Ширше значення «Кубка Сяньдао» — у самому критерії перевірки. Учасників запитують не лише, чи можуть вони створити інтелектуальну модель. Їм потрібно довести, що вони здатні змусити її добре працювати на реальній платформі, у реальному прикладному сценарії та в умовах стандартизованого тестування.