本赛题旨在推动参赛者在CORAL基准测试数据集上开发和训练自己的对话式检索增强生成模型，以此向更具现实意义的多轮Conversational RAG场景迈进。

本赛题要求选手基于自主研发的FlashRAG-MindSpore框架，面向不同类型的用户问题构建一个智能的RAG系统，助力大模型技术在实际场景中的创新应用。

本次竞赛构建电磁信号调制方式识别数据集，并基于该数据集进行训练推理，识别出未知信号的调制方式，通过此次竞赛提高真实环境中调制方式识别的准确率，促进该技术的应用和发展。

本次评测关注问题匹配模型在真实应用场景中的鲁棒性，从词汇理解、句法结构、错别字、口语化、对话理解五个维度检测模型的鲁棒性，推动语义匹配技术的发展。

参赛团队将基于用户历史的系统访问日志及是否存在风险标记等数据，结合行业知识，构建必要的特征工程，建立机器学习、人工智能或数据挖掘模型，并用该模型预测将来的系统访问是否存在风险。

客服中心每天都需要接通大量的客户来电，客户来电需要进行语音转文本，同时对文本进行概括，提取客户核心诉求，但是人工总结会增加客服工作量，降低工作效率，因此期望使用AI算法进行自动的文本摘要生成。

希望能在汽车销量数据自身趋势规律的基础上，找到消费者在互联网上的行为数据与销量之间的相关性，为汽车行业带来更准确有效的销量趋势预测。

传统威胁检测手段通过分析已知攻击特征进行规则匹配，无法检测未知漏洞或攻击手法。如何快速准确地识别未知威胁攻击并且将不同攻击正确分类，对提升Web攻击检测能力至关重要。

由于工业场景特性，存在目标过小、物体区分度不明显、周围背景复杂等问题，给正确识别带来较大的挑战，目前，业界平均识别正确率维持在80%左右，存在进一步优化和提升的空间。

本次比赛旨在开发一个智能问答助手。这个助手将能够准确回答用户关于TuGraph-DB的各类问题，包括使用方法、功能特性、技术细节等，从而为TuGraph-DB的用户和开发者提供更好的支持。

如何通过每一种图查询语言现有的少量语料，微调出一个可以高质量的将自然语言翻译成对应图查询语言的大模型，并以此降低图数据库的使用门槛，成为了现阶段的一个重要研究方向。

如何设计文档解析、知识库生成、文本召回的策略，以更准确地向大模型提供用户问题对应的答案信息，具有重要的研究价值和实际意义。本赛题要求选手使用运营商相关的文档构建知识库，根据用户问题检索知识库并返回答案

本赛题聚焦于运用无人机航拍技术（航片）对玉米全生育期进行监测，通过图像处理与机器学习算法，精准识别玉米生长过程中的异常情况。

参赛者将在东方国信幕僚智算云平台上使用Intel Gaudi AI加速卡，编写LoRA微调和推理脚本。具体任务包括使用ChatGLM3-6B模型和给定的数据集进行微调，并在微调后的模型上执行推理任务。

本赛题旨在挑战参赛者将OCR（Optical Character Recognition）模型在TPU（Tensor Processing Unit）平台上进行量化转换，实现其在端侧设备上的高效运行。