微信扫一扫,关注公众号

  • 科技行者

  • 算力行者

见证连接与计算的「力量」

首页 2015微软编程之美挑战赛正式开幕

2015微软编程之美挑战赛正式开幕

2015-03-20 12:07
分享至:
----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.-
2015-03-20 12:07 CNET科技资讯网

2015微软编程之美挑战赛正式开幕

“微软编程之美挑战赛”是面向在校学生开展的大型编程比赛,致力于为年轻开发者提供国际一流水平的开发与交流机会,鼓励他们开发潜能、通过创新方法应对现实问题。本届大赛分为资格赛、初赛、复赛和决赛四轮,历时近两个月。

其中,决赛将在微软(亚洲)互联网工程院苏州分院举办。微软(亚洲)互联网工程院苏州分院,专注于微软必应搜索、人工智能、语音及自然语言处理技术等研发方向,人工智能个人助理微软小娜就诞生在这里。决赛优胜选手除奖金外,还可获得进入微软中国研发部门实习、进入微软创投加速器所扶植的创业企业的实习绿色通道以及到美国访问学习的机会。

开幕式上,微软亚洲研究院常务副院长马维英博士表示:“微软始终注重对创新型青年人才的培养,这不仅是因为我们对中国教育界的长期承诺,更因为青年人的思维塑造着科技世界未来的模样。微软希望通过‘编程之美’这样的活动鼓舞有理想的青年人才,培养他们以前沿科技改变世界的能力,进而助力整个计算机行业的发展。”

作为全球最大的专业技术协会、本届大赛的协办方,IEEE亚洲区高级总监华宁表示:“迈入第四年的‘编程之美挑战赛’已经成为以解决挑战性问题为目标,众多高校代码高手切磋交流、实现梦想的平台。IEEE希望和微软一起通过这个选拔和培养创新人才的比赛提升更多高校学生的科学认识与工程素养。”

在大数据和云的发展背景下,人工智能迈开了引导人类进入数字工作与数字生活的步伐,成为生产、生活领域技术创新的关键环节。本届大赛以人工智能为主题,希望将人工智能引入学生们的编程实践中,让同学们设身处地的考虑人工智能的应用场景,切实感受编写代码所创造的智能之美。除此之外,大赛还希望参赛者在每一次的团队比拼中可以提升合作与沟通等方面的软实力。正如第三届大赛冠军、来自上海复旦大学的孙祥彦同学所说:“在比赛中,我不仅认识了朋友、锻炼了合作能力,更重要的是利用编程解决了实际问题,这感觉很好。”

由微软研究院开发的Code Hunt(www.codehunt.com)以及北京大学研发的POJ(http://poj.org/)两大在线编程与评测系统是本届大赛的“双评委”。多元化的测试与评价体系让来自不同背景、拥有不同技术偏好与擅长领域的参赛者可以得到合理的评审,同时提升参赛者挑战多重标准的综合实力。

自2012年起,“微软编程之美挑战赛”已经成功举办三届,吸引了三万五千多名大学生参加,20多名优秀参赛者获得了到微软实习的机会,促进了他们的能力提升与职业发展。除“编程之美”外,基于培养本地创新型人才的理念,微软亚洲研究院还推出了一系列面向青年的培养项目,如“明日之星”实习生计划、“微软学者”奖学金、“微软小学者”奖学金、“铸星计划”青年学者计划、联合培养博士生项目等。青年人不仅是“编程之美”的展现者,更是“科技之美”的缔造者,微软始终致力于人才、企业和行业的共同成长。

分享至
0赞

好文章,需要你的鼓励

推荐文章
  • LLM情境调节与持续工作流程提示:革新化学分子式的多模态验证技术

    LLM情境调节与持续工作流程提示:革新化学分子式的多模态验证技术

    这项研究探索了如何通过"LLM情境调节"和"持续工作流程提示"技术来提高大型语言模型在验证化学分子式时的准确性。研究者发现,普通提示方法往往不可靠,因为LLM倾向于自动"纠正"错误而非指出它们。然而,通过精心设计的情境调节提示,研究成功引导Gemini 2.5 Pro不仅识别出文本中的错误,还发现了之前人工审阅未察觉的图像中的分子式错误。这一概念验证研究表明,即使不修改模型本身,也能通过适当的提示策略显著提高LLM在科学技术文档细节验证中的表现。

  • 微生物显微图像分割新突破:复旦大学研究团队借助多模态大语言模型统一显微镜下的"万物分割"

    微生物显微图像分割新突破:复旦大学研究团队借助多模态大语言模型统一显微镜下的"万物分割"

    复旦大学研究团队开发的uLLSAM模型成功将多模态大语言模型(MLLMs)与分割一切模型(SAM)结合,解决了显微镜图像分析的跨域泛化难题。通过创新的视觉-语言语义对齐模块(VLSA)和语义边界正则化(SBR)技术,该模型在9个领域内数据集上提升了7.71%的分割准确度,在10个从未见过的数据集上也展现了10.08%的性能提升。这一统一框架能同时处理光学和电子显微镜图像,大大提高了生物医学图像分析的效率和准确性,为科研人员提供了强大的自动化分析工具。

  • 用强化学习让大语言模型为汇编代码提速:斯坦福团队的优化探索

    用强化学习让大语言模型为汇编代码提速:斯坦福团队的优化探索

    斯坦福大学等机构研究团队利用强化学习训练大语言模型,使其能够优化汇编代码性能。研究构建了8,072个程序的数据集,并通过近端策略优化(PPO)训练模型生成既正确又高效的汇编代码。实验表明,训练后的Qwen2.5-Coder-7B-PPO模型实现了96.0%的测试通过率和1.47倍平均加速比,超越包括Claude-3.7-sonnet在内的所有其他模型。研究发现模型能识别编译器忽略的优化机会,如用单一指令替代整个循环,为性能敏感应用提供了有价值的优化途径。

  • 播放师傅变声魔术:让你的录音遵循参考风格的推理时间优化新方法

    播放师傅变声魔术:让你的录音遵循参考风格的推理时间优化新方法

    这项研究提出了一种改进的声乐效果风格迁移方法,通过在推理时间优化过程中引入高斯先验知识,解决了传统ST-ITO方法忽视参数合理性的问题。研究团队基于DiffVox数据集构建了专业效果器参数分布模型,将风格迁移转化为最大后验概率估计问题。实验结果表明,该方法显著优于基准方法,参数均方误差降低了33%,并在主观听感测试中获得最高评分。这一创新为音频处理领域融合数据驱动和专业知识提供了新思路。

----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.-