赛题说明

赛道 1：搜索问答

近年来，随着机器阅读理解与深度预训练模型等相关技术的发展，抽取式智能问答系统的性能取得了非常明显的提升。然而，在开放领域的搜索场景下得到的网页数据会非常复杂，其中往往存在着网页文档质量参差不齐、长短不一，问题答案分布零散、长度较长等问题，给答案抽取和答案置信度计算带来了较大挑战。

因此，本任务希望从答案抽取和答案检验两个方面调研真实网络环境下的文档级机器阅读理解技术，以求进一步提升深度智能问答效果，给用户提供更好的搜索体验。

赛题说明

任务描述

本次任务共分为两个子任务，分别涉及基于复杂网页文档内容的答案抽取和答案检验技术，需全部完成。请用飞桨 AI Studi o配置的 NVIDIA A100 完成参赛作品。

子任务 1：答案抽取
子任务 2：答案检验

排名计算

区域赛排名：请参赛选手按要求将比赛方案、代码、结果数据提交至 AI Studio，平台将基于两个任务的打榜结果加权平均选出区域赛获胜团队，无需人工评审。
复赛入围：大赛将更换数据集，评选方式同区域赛，无需人工评审。
决赛排名：设置现场答辩环节，专家评审将基于软件延展开发、技术深度、创新性、复赛打榜结果综合打分，最终确定获奖队伍。
对于 AI Studio 打榜成绩相同的选手，按提交时间早晚排序。

报名该赛道

赛道 2：搜索模型推理优化

近年来基于 Transformer 模型结构的预训练语言模型技术快速发展，并在 NLP 领域取得了巨大成功。百度搜索引擎依托与深厚的 AI 技术积累，搭建了超大规模的模型推理异构加速集群，通过落地 Ernie 文心模型，为用户带来了显著的搜索体验提升。而在百度搜索 Ernie 模型的工业化部署实践中，针对复杂 Ernie 模型结构的高性能推理对于保障亿万用户流畅的搜索体验、控制算力成本开销至关重要。

在业界针对 GPU 进行复杂模型的异构推理加速也是一个火热的研究话题，多种优秀的技术方案不断涌现。其中既有百度推出灵活易用的 PaddlePaddle 深度学习全流程工具，也有 NVIDIA 推出的针对深度学习模型推理极致优化的 TensorRT 框架。

本任务提供一个典型的搜索场景的 Ernie 模型，希望参赛者通过各种优化技术，挑战最优的模型推理性能。

赛题说明

任务描述

模型推理优化任务采用相对开放的设定，可自行选用各种模型推理框架，挖掘 GPU 加速硬件特性，通过异构算子优化、模型量化压缩等各种优化手段，追求最优的模型推理性能（推荐深入应用 NVIDIA TensorRT 优化技术）。参赛队员请用飞桨 AI Studio 配置的 NVIDIA A100 完成参赛作品。

任务详细说明

排名计算

区域赛排名：请参赛选手按要求将比赛方案、代码、结果数据提交至AI Studio，在满足模型效果标准的前提下，由 AI Studio 评测系统自动生成模型性能指标的排名，并宣传区域赛获胜团队，无需人工评审。
复赛入围：大赛将更换数据集，评选方式同区域赛，无需人工评审。
决赛排名：设置方案评估环节，专家评审将基于创新性打分，结合初步排名技术指标最终确定获奖队伍。
平台自动排名是以标准评测机器上的测试集推理运行时间进行排序。如果运行时间非常接近，在测量误差内，则视为成绩相同。对于 AI Studio 打榜成绩相同的选手，按提交时间早晚排序。

报名该赛道

大赛学习资料

百度搜索首届技术创新挑战赛 - 赛道一培训

赛题说明

赛道 1：搜索问答

任务描述

排名计算

赛道 2：搜索模型推理优化

任务描述

排名计算

大赛学习资料

搜索技术