
作为国内高性能计算领域的标杆赛事,第十三届并行应用挑战赛(PAC 2026)始终秉持「以赛促教、以赛代练、以赛促用」的核心理念,直面产业痛点,聚焦真实场景。比赛平台依托领先的自主创新算力平台,各参赛队运用平台的指令集优化、内存重构、矩阵加速等硬核技术,实现了计算性能的跨越式提升,不仅是对战队核心技术的极限考验,更是对其解决复杂工程问题能力的深度淬炼。
经专家评审会严谨评选,PAC 2026 初赛圆满收官。本届应用赛道与优化赛道各有 16 支顶尖队伍脱颖而出,强势晋级全国总决赛!

评审说明
2026 年 8 月 18 日,PAC 2026 组委会在北京组织了初赛专家评审会,本届大赛的专家评审委员会汇聚了国内高性能计算领域的顶尖学术力量,大赛共同主席、中国科学院计算技术研究所张云泉研究员,大赛评审主席、中国科学院计算技术研究所谭光明研究员,大赛优化组评审主席、清华大学计算机科学与技术系翟季冬教授,大赛应用组评审主席、国家超级计算深圳中心副主任付昊桓教授全程坐镇,并有数十位来自国内顶尖高校、国家超算中心和科研机构的评审专家共同参与现场评审。他们从代码逻辑、硬件调度、应用创新及落地价值等多个维度,对参赛队伍的技术方案进行了全方位、深层次的考量与甄别,确保了赛事的公平公正与高含金量。
初赛作品评审规则如下:
◆ 应用赛道采用百分制综合评审,聚焦四大维度:
一是实用科学性(20分),考察作品在应用真实场景中的科学意义与应用价值;
二是算法创新性(30分),重点评估新型计算模型、系统瓶颈突破及成果水平;
三是并行化实现(20分),考核实际浮点性能、精度及最大运算规模与加速比;
四是方法普适性与应用推广(30分),评估核心方法的可借鉴性与业界推广前景。
◆ 优化赛道以量化性能为核心
采用"上机成绩 × 80% + 专家评审 × 20%"的综合评分模式。上机成绩由两道赛题各占 50% 加权合成,每道赛题取 case1 与 case2 均值的 Final GFLOPS 作为基准。
单赛题得分通过归一化公式转换:30(基础分)+ 70 x(参赛队优化分数-所有参赛队最低分数)/ (所有参赛队最高分数 - 所有参赛队最低分数)
初赛晋级名单
应用赛道初赛晋级名单


生态跃迁,聚力共赢
作为国内高性能计算领域产学研用协同创新的标杆赛事,PAC 2026 正站在中国算力崛起的历史交汇点。今年,大赛在算力底座上实现了跨越式升级,这不仅是一场技术竞赛,更是一次对自主创新高性能计算生态的"极限压力测试"与"全面实战演练"。
从"可用"到"好用",构建正向循环生态
本届大赛的初赛通过真实产业场景的考验,成功验证了自主可控创新芯片在大规模并行计算中的稳定性与高效性。参赛团队展现出的深度优化实践,形成了"人才培育 → 技术创新 → 应用落地 → 生态反馈 → 产品迭代"的良性循环。这种以赛代练的模式,不仅为我国计算机领域发展了海量优化样本,更显著提升了自主创新芯片在主流科学工程计算领域的整体竞争力与市场认可度。
规模与影响力创历史新高
PAC 2026 自启动以来便引发了学界与业界的强烈共振,共吸引 329 支精英队伍踊跃报名(优化组 242 支、应用组 87 支),彻底刷新了历年报名总量、参赛规模与人才覆盖的三重纪录。参赛阵容星光熠熠:
深耕高校,播种未来
为了让更多学子触及高性能计算前沿,PAC 2026 组委会深度走进全国 12 所顶尖高校开展巡回宣讲与技术赋能,足迹遍布清华、北大、浙大、上交、深大等院校。通过高性能计算深度课程的普及,大赛真正将"算力底座"建设与"人才培养"紧密结合,为我国高性能计算产业储备了坚实的后备力量。
巅峰之战,即将启幕
第十三届并行应用挑战赛(PAC 2026)由全国信标委算力标准工作组权威指导,ACM 中国高性能计算专家委员会、中国智能计算产业联盟联合主办。全国总决赛将于10 月 17 日- 19 日重磅登陆 HPC China 2026 行业顶级盛会。
两赛道各十六强逐鹿,谁将问鼎?让我们共同期待王者揭晓!
好文章,需要你的鼓励
这篇论文提出一种插件式2D动作接口,让已训练好的3D运动语言模型无需修改或微调即可直接理解2D姿态输入。实验证明2D输入效果媲美3D输入,且在真实视频场景下配合专门的降噪适配器,2D方案比3D姿态估计更省算力、更实用,为动作理解模型的现实部署提供了新路径。
研究团队让8种AI智能体独立完成100项真实科研任务,深度剖析800份研究轨迹后发现,即便是最强模型,也普遍存在"发现问题却不修正"的现象,背后根源指向AI缺乏检验自身产出、主动纠错的元认知能力。
WorldRover是一套面向可探索世界建模的合成视频数据引擎,基于虚幻引擎构建,能让同一段探索轨迹在保持路线与场景一致的前提下,重新渲染为多种视角和外观状态,并同步提供深度、光流、长程点追踪等丰富标注,最终发布WorldRover-10M数据集,含2190万帧、202.7小时视频。
这篇论文指出,现有多目标强化学习训练大模型时存在"一刀切"分配优化精力的问题,提出SA-MRPO方法,根据每个奖励目标的饱和程度动态调整其权重,在数学推理、自适应推理、代码生成等任务上均取得优于现有方法GDPO的效果。