
日前,由微软主办、电气电子工程师学会(IEEE)协办的2016编程之美挑战赛在山东大学正式拉开帷幕。本届大赛以智能云为主题,包含编程赛与创意赛两种赛制,旨在提升青年开发者在智能云平台上的综合实践能力,加强跨学科交流与合作,激发学生们的创新思维火花。

“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,致力于为青年开发者提供国际一流水平的开发与交流机会,帮助他们了解、运用先进的算法与编程设计解决各类实际问题。除传统的编程赛外,本届大赛特别增设了创意赛,以鼓励非计算机专业的青年学生充分发挥自身在不同学科领域的创造性才能,用全新的方式探索、呈现编程之美。参加创意赛的选手将通过网络提交参赛作品,评选出的15强选手将与编程赛决出的15强队伍组队参加最终的决赛。决赛将于五月底在微软亚太研发集团举行,优胜队伍除奖金外,还可获得进入微软创投加速器扶植的创业企业实习的绿色通道,以及赴微软美国总部参观学习的机会。
微软亚洲研究院学术合作总监潘天佑博士表示:“跨学科的整合可以更好地激发青年人才的创新活力和创造智慧,我们希望更多的青年才子在‘编程之美’的舞台上不仅可以共同创造美好的代码,还能分享、交流美好的智慧,碰撞出闪耀的火花,构建美好的世界。微软一直十分重视青年人才的培养及科技的创新,并不断探索多元化的创新人才培养模式,以促进中国教育创新、人才培养和科研发展。”
IEEE亚洲区高级总监华宁表示,已经迈入第五年的 “编程之美挑战赛” 为广大青年学生提供了接触前沿技术、发挥自身创造性、实现远大梦想的机会。作为全球最大的专业技术协会,IEEE愿与微软一道在这个培养和选拔创新人才的重要平台上,为提升青年学生在未来用科技改变世界的综合能力而继续努力。
作为新一代信息技术和产业发展的核心,云计算正在与大数据一同驱动着传统产业的变革和新型产业的蓬勃发展。而随着在深度学习、大数据分析、人工智能、物联网等领域的研究进展,微软集全球之力打造智能云平台,致力于提供更多样、更完善、更智能的服务,实现云端的智能创新。微软中国云计算与企业总经理申元庆特别支持此次大赛,他说:“本届大赛以智能云为主题,希望将智能云技术引入学生们的编程实践中,让同学们在微软智能云平台Azure上利用大数据、微软云技术和智能云服务,结合自身的洞察力来解决实际问题,感受编写代码所创造的智能之美。”
2016微软编程之美挑战赛的编程赛分为平台测试、初赛、复赛。编程赛的初赛和复赛均在网络比赛平台上举行,初赛为算法题,采用由微软研究院开发的Code Hunt在线编程与评测系统。复赛则采用团队赛的形式,在微软智能云平台上进行,并决出15只队伍与创意赛的15强选手组队参加决赛。跨学科的组队方式将充分融合不同擅长领域参赛者的智慧,加强选手们在协作、沟通等方面的软实力,从而提升青年人才的综合能力。
自2012年起,微软编程之美挑战赛已经成功举办四届,吸引了五万七千多名大学生参加,助推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、微软学生俱乐部、“铸星计划”青年学者计划、联合培养博士生项目等。青年人才不仅是“编程之美”的展现者,更是“科技之美”的缔造者,未来,微软必将一如既往地为青年人才构筑通向更广阔科技世界的桥梁。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。