【HDC 2025丨社区话题活动】HDC时光机，我与华为开发者大会的专属回忆打卡地活动获奖名单如下：有效回复楼层23层柠檬味拥抱yd_278223297hello word～/恭喜以上3名开发者获奖，即日起请获奖者填写问卷礼品收货信息cid:link_0，反馈截止时间2025年7月14日，18号前发货，逾期未提供有效收件信息，视为放弃活动领奖，感谢大家对华为云论坛的关注和支持~——————————————————————————————————————————————————————————一年一度的 华为开发者大会2025 又如期而至你是否曾在 HDC 的舞台上收获灵感？有没有哪一次演讲或展位让你印象深刻？也许你曾在这里结识了志同道合的朋友，或是通过参与活动解锁了新的技能……这一次，我们想听你说——“我与华为开发者大会的故事”！还记得你第一次参加 HDC 是什么时候吗？是被哪个主题吸引？又或者是因为某位嘉宾的一句话让你印象深刻？快来和我们一起重温那些年你的参会故事吧！在 HDC 的舞台上，有没有哪一场演讲、哪一个技术分享让你豁然开朗？有没有哪项技术、哪个产品发布或Demo演示让你眼前一亮？也许它改变了你对某个领域的理解，影响了你后续的学习或项目实践？在 HDC 现场上，你是否结识了志同道合的朋友或合作伙伴？是否有参与过有趣的现场互动、交流瞬间？欢迎来聊聊那些“线下相遇”的温暖瞬间！有没有拍下难忘的瞬间？比如一次动手实验的记录、一张展位打卡照……一起晒出你与 HDC 的独家记忆，分享照片背后的故事吧~ 在本活动帖下回帖，参与HDC话题互动 有机会获得开发者定制礼品 【参与方式】选取一个或多个角度，直接在此活动帖下方回帖相关话题内容PS：不要少于30字哦~ 【活动时间】2025年5月19日——6月24日 【获奖规则】有效回帖楼层超 20 层后抽奖，最高可抽取 26 个幸运开发者获得礼品 【活动规则】1、本帖的回帖建议不少于30字，仅限于对该活动主题相关的内容，其他回帖内容不参与此次活动，否则将视为无效内容。2、本次活动将根据实际参与情况发放奖励，包括但不限于用户百分之百中奖或奖项轮空的情况；实物奖品具体发放视出库情况而定；3、活动预计于结束后七天内完成奖项公示，并于结束后15个工作日内完成邮寄。【温馨提示】1、请务必使用个人实名账号参与活动（IAM、企业账号等账号参与无效）。如一个实名认证对应多个账号，只有一个账号可领取奖励，若同一账号填写多个不同收件人或不同账号填写同一收件人，均不予发放奖励。2、所有获得奖品的获奖用户，请于获奖后3日内完成实名认证，否则视为放弃奖励。

1.1 第一步进入华为云：“华为云”——>”华为云全球云服务专场”在搜索框，输入华为云，点击华为云，点击华为云全球服务专场。、、1.2 第二步进入ModelArts：“搜索框”——>“ModelArts”——>“控制台”——>“控制台”——>“ModelArts界面”进入华为云界面之后，点击搜索框，输入ModelArts，下面会显示ModelArts直接点击AI开发平台ModelArts的控制台，进入ModelArts界面。1.3 选择西南贵阳一在选择区域，选择西南贵阳一区。公共镜像“pytorch_2.1.0-cann_8.0.rc1-py_3.9-euler_2.10.7-aarch64-snt9b”，磁盘规格100GB，点击立即创建。1.4 打开服务器等待创建完成后，单击后面的“打开”按钮将服务器打开。1.5 安装python版本的型号创建“python”版本的型号，点击上方的“+”，在展开的下拉菜单中选择“Notebook”将以下的代码放到代码行里面，点击运行按钮创建环境。conda create -n glm4 python==3.10 -y 1.6 安装openMind Hub Client和openMind Library切换到终端窗口，点击上方的“+”，在展开的下拉菜单中选择“Termianl”以下命令在终端运行，激活或者启动昇腾资源服务。source /usr/local/Ascend/ascend-toolkit/set_env.sh进入新建的python环境conda activate glm4安装“openMind Hub Client”（可能出现以下的错误，不影响下面的操作）pip install openmind_hub安装“openMind Library”，并安装“PyTorch”框架及其依赖（可能出现以下的错误，不影响下面的操作）pip install openmind[pt]按照和下载“LLaMa Factory”工具git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.gitcd LLaMA-Factorypip install -e ".[torch-npu,metrics]"pip install numpy==1.23.53.1 模型下载# 首先保证已安装“git-lfs”（https://git-lfs.com）pip install modelscopemodelscope download --model ZhipuAI/glm-4-9b-chat --local_dir ./glm4-9b-chat用户可以使用“LLaMa Factory”进行模型推理，以“GLM-4-9B-Chat”为例，具体如下：在“/LLaMa Factory/”目录在空白处右键点击——>点击“New File”——>“inference_glm4_9b_chat.py”复制进去创建文件新建推理脚本“inference_glm4_9b_chat.py”推理脚本内容为：（将以下代码复制到新建的文档里面，按下“Crtl”加上“s”键保存文件）import torchfrom transformers import AutoModelForCausalLM, AutoTokenizer # 检查是否支持NPU设备device = "npu" if torch.npu.is_available() else "cpu"print(f"Using device: {device}", flush=True) # 加载预训练模型和分词器tokenizer = AutoTokenizer.from_pretrained("glm4-9b-chat", trust_remote_code=True)model = AutoModelForCausalLM.from_pretrained(    "glm4-9b-chat",    torch_dtype=torch.bfloat16,    low_cpu_mem_usage=True,    trust_remote_code=True).to(device).eval() # 定义生成参数gen_kwargs = {    "max_length": 2500,    "do_sample": True,    "top_k": 1,    "temperature": 0.7,  # 可以调整温度来控制生成的多样性} # 初始化对话历史conversation_history = [] def generate_response(user_input):    # 将用户的输入添加到对话历史中    conversation_history.append({"role": "user", "content": user_input})     # 构建输入模板，包含所有对话历史    inputs = tokenizer.apply_chat_template(        conversation_history,        add_generation_prompt=True,        tokenize=True,        return_tensors="pt",        return_dict=True    )     # 将输入移动到 NPU 设备    inputs = inputs.to(device)     # 生成回复    with torch.no_grad():        outputs = model.generate(**inputs, **gen_kwargs)        outputs = outputs[:, inputs['input_ids'].shape[1]:]  # 去掉输入部分，只保留生成的回复     # 解码生成的回复    response = tokenizer.decode(outputs[0], skip_special_tokens=True)     # 将模型的回复添加到对话历史中    conversation_history.append({"role": "assistant", "content": response})     # 立即打印回复并刷新输出    print(f"Assistant: {response}", flush=True)     return response # 多轮对话循环print("开始多轮对话，输入 'exit' 结束对话。", flush=True)while True:    user_input = input("User: ")    if user_input.lower() == 'exit':        print("结束对话。", flush=True)        break     generate_response(user_input) # 如果有需要处理的异常，可以在主程序块中添加 try-exceptif __name__ == "__main__":try:        pass    except Exception as e:        print(f"An error occurred: {e}", flush=True)执行推理脚本：python inference_glm4_9b_chat.py输入以下问题：（ “款型”#“衣服”每次输入大概使12.8w个token）  出现User是输入问题，Assistant是回复得答案              问题1：类型#上衣材质#牛仔布颜色#白色风格#简约图案#刺绣衣样式#外套衣款式#破洞              问题2：类型#裤风格#英伦风格#简约              问题3：类型#裙裙下摆#弧形裙腰型#高腰裙长#半身裙裙款式#不规则*裙款式#收腰              推理结果如下：按下“Ctrl”键加c键退出问答环节。3.2 数据集下载我们使用单张昇腾NPU，本次案例可以使用多卡进行微调，也可以使用单卡微调，基于LLaMa Factory框架，采用广告文案生成数据集进行Lora微调，让模型能够根据用户输入的商品关键字生成对应的广告文案。数据集广告文案数据集（AdvertiseGen）任务为根据输入（content）生成一段广告词（summary），分为训练集和验证集。其中，训练集大小为114K，验证集大小为1K。每个样本有”content”和”summary”两个键，分别保存商品关键字和商品文案。以下是部分示例：{    "content": "类型#上衣*版型#宽松*版型#显瘦*图案#线条*衣样式#衬衫*衣袖型#泡泡袖*衣款式#抽绳",    "summary": "这件衬衫的款式非常的宽松，利落的线条可以很好的隐藏身材上的小缺点，穿在身上有着很好的显瘦效果。领口装饰了一个可爱的抽绳，漂亮的绳结展现出了十足的个性，配合时尚的泡泡袖型，尽显女性甜美可爱的气息。"}下载“AdvertiseGen”数据集使用“Git”将数据集下载至“LLaMA-Factory”文件下。重复3.2小节重新创建个终端conda activate glm4cd LLaMA-Factory/git clone https://modelers.cn/AI-Research/AdvertiseGen.git 2.3 数据预处理在空白处右键点击——>点击“New File”——>“preprocess_adv_gen.py”复制进去创建文件。下载完成后，需要将“train.json” 和“dev.json” 两个文件的数据处理成“alpaca”数据格式。因此，在“LLaMA-Factory”文件下创建“preprocess_adv_gen.py”脚本，脚本内容具体如下：（按下“Ctrl”键加上“s”键保存文件）import jsonimport argparseimport osimport stat DEFAULT_FLAGS = os.O_WRONLY | os.O_CREATDEFAULT_MODES = stat.S_IWUSR | stat.S_IRUSR def parse_args():    parse = argparse.ArgumentParser()    parse.add_argument("--data_path", type=str)    parse.add_argument("--save_path", type=str)    args = parse.parse_args()    return args def read_data(data_path):    data = []    with open(data_path, "r", encoding="utf-8") as f:        lines = f.readlines()        for line in lines:            data.append(json.loads(line))        return data def convert_to_alpaca_format(data):    results = []    for sample in data:        example = {}        example["instruction"] = sample["content"]        example["output"] = sample["summary"]        results.append(example)    return results def save_data(data, save_path):    with os.fdopen(os.open(save_path, DEFAULT_FLAGS, DEFAULT_MODES), "w", encoding="utf-8") as f:        json.dump(data, f, indent=4, ensure_ascii=False) if __name__ == "__main__":    args = parse_args()    data = read_data(args.data_path)    data = convert_to_alpaca_format(data)save_data(data, args.save_path)通过以下命令执行脚本，将数据预处理的结果分别存为”adv_gen_train.json”和“adv_gen_dev.json“。python preprocess_adv_gen.py --data_path AdvertiseGen/train.json --save_path ./AdvertiseGen/adv_gen_train.jsonpython preprocess_adv_gen.py --data_path AdvertiseGen/dev.json --save_path ./AdvertiseGen/adv_gen_dev.json修改LLaMa Factory下的data/dataset_info.json文件，添加数据集描述：在空白处右键点击——>点击“New File”——>“shuju.py”——>“将以下代码复制到新建的文件里面”（将以下代码复制到新建的文档里面，按下“Crtl”加上“s”键保存文件）import json # 定义要添加的内容addition = {    "adv_gen_train": {        "file_name": "/home/ma-user/work/LLaMA-Factory/AdvertiseGen/adv_gen_train.json",        "columns": {            "prompt": "instruction",            "response": "output"        }    },    "adv_gen_dev": {        "file_name": "/home/ma-user/work/LLaMA-Factory/AdvertiseGen/adv_gen_dev.json",        "columns": {            "prompt": "instruction",            "response": "output"        }    }} # 读取现有的 dataset_info.json 文件with open('/home/ma-user/work/LLaMA-Factory/data/dataset_info.json', 'r') as file:    data = json.load(file) # 将新内容添加到现有数据中data.update(addition) # 写回 dataset_info.json 文件with open('/home/ma-user/work/LLaMA-Factory/data/dataset_info.json', 'w') as file:    json.dump(data, file, indent=2)    执行以下命令将路径写进dataset_info.json文件python shuju.py3.1 微调配置文件修改“ /home/ma-user/work/LLaMA-Factory/src/llamafactory/model”文件下的“loader.py”代码，在68、120、149行代码下面添加以下的代码。如图所示。（在“init_kwargs = _get_init_kwargs(model_args)”下一行添加以下代码）init_kwargs["trust_remote_code"] = True在“LLaMa Factory/ examples/train_lora/”路径下创建新的文件：在空白处右键点击——>点击“New File”——>“glm4_9b_chat_lora_sft.yaml”——>“将以下代码复制到新建的文件里面”（将以下代码复制到新建的文档里面，按下“Crtl”加上“s”键保存文件）### modelmodel_name_or_path: /home/ma-user/work/LLaMA-Factory/glm4-9b-chat/ # 当前仅支持本地加载，填写GLM-4-9B-Chat本地权重路径 ### methodstage: sftdo_train: truefinetuning_type: loralora_target: alllora_rank: 8lora_alpha: 32lora_dropout: 0.1 ### datasetdataset: adv_gen_traintemplate: glm4cutoff_len: 256preprocessing_num_workers: 16#可以根据自己需求修改模型输出的路径### outputoutput_dir: /home/ma-user/work/LLaMA-Factory/glm4-9b-lora/logging_steps: 10save_steps: 500plot_loss: trueoverwrite_output_dir: true ### trainper_device_train_batch_size: 16gradient_accumulation_steps: 1learning_rate: 5.0e-4max_steps: 1000lr_scheduler_type: cosinewarmup_ratio: 0.1bf16: trueddp_timeout: 180000000通过下面的命令启动微调：（在LLaMA-Factory路径下添加以下的命令）export ASCEND_RT_VISIBLE_DEVICES=0llamafactory-cli train examples/train_lora/glm4_9b_chat_lora_sft.yaml3.2 评估模型训练结束后，通过“LLaMa Factory”使用微调完成的权重在“adv_gen_dev.json”数据集上预测“BLEU”和“ROUGE”分数。在“LLaMa Factory/examples/train_lora/”路径下新建“glm4_9b_chat_lora_predict.yaml”评估配置文件，具体操作步骤如下：在空白处右键点击——>点击“New File”——>“glm4_9b_chat_lora_predict.yaml”——>“将以下代码复制到新建的文件里面”（将以下代码复制到新建的文档里面，按下“Crtl”加上“s”键保存文件）### modelmodel_name_or_path: /home/ma-user/work/LLaMA-Factory/glm4-9b-chat/ # 当前仅支持本地加载，填写GLM-4-9B-Chat本地权重路径#修改训练好模型的路径adapter_name_or_path: /home/ma-user/work/LLaMA-Factory/glm4-9b-lora/checkpoint-1000/ ### methodstage: sftdo_predict: truefinetuning_type: lora ### dataseteval_dataset: adv_gen_devtemplate: glm4cutoff_len: 256preprocessing_num_workers: 16 ### outputoutput_dir: /home/ma-user/work/LLaMA-Factory/glm4-9b-lora/predict/overwrite_output_dir: true ### evalper_device_eval_batch_size: 128predict_with_generate: true按下“Ctrl”键加上“s”键保存文件。通过下面的命令启动评估：export ASCEND_RT_VISIBLE_DEVICES=0llamafactory-cli train examples/train_lora/glm4_9b_chat_lora_predict.yaml3.2 推理微调结束后，在“LLaMa Factory”路径下新建“examples/inference/”路径下创建新的为：在空白处右键点击——>点击“New File”——>“glm4_9b_chat_lora_sft.yaml”——>”将以下代码复制到新建的文件里面（将以下代码复制到新建的文档里面，按下“Crtl”加上“s”键保存文件）model_name_or_path: /home/ma-user/work/LLaMA-Factory/glm4-9b-chat/  # 当前仅支持本地加载，填写GLM-4-9B-Chat本地权重路径adapter_name_or_path: /home/ma-user/work/LLaMA-Factory/glm4-9b-lora/checkpoint-1000/   #当前仅支持训练之后模型的权重路径template: glm4finetuning_type: lora通过下面的命令启动推理：出现User是输入问题，Assistant是回复得答案llamafactory-cli chat examples/inference/glm4_9b_chat_lora_sft.yaml3.4 效果对比提出以下类似的问题：问题1：类型#上衣材质#牛仔布颜色#白色风格#简约图案#刺绣衣样式#外套衣款式#破洞问题2：类型#裤风格#英伦风格#简约问题3：类型#裙裙下摆#弧形裙腰型#高腰裙长#半身裙裙款式#不规则*裙款式#收腰微调之前的效果：微调之后的效果，微调之后使广告词生成的内容更加符合选美：

本期获奖情况如下，代金券和礼品会发到参与活动时大家填写的这个报名问卷的账号和收货地址中，请注意查收。代金券已发放至论坛私信（右上角我的社区-我的消息-私信中领取），礼品已在申请流程中，请耐心等待，谢谢多篇文章的本期以最高奖项的发放，不叠加。如发布3篇，2篇参与奖，1篇三等奖，按三等奖发放。注意：yd_229103306没有按要求填写，无法准时发放礼品，请7月25日前查看论坛私信，提供信息，仅补发这一次，过期不补！！主题作者奖项帖子标题胡琦二等【案例共创】基于华为开发者空间使用 FastAPI 构建 MCP 天气查询服务yd_269585276二等【案例共创】基于华为开发者空间构建本地MCP Server + DeepSeek + Cherry Studio实现股市分析助手给无眠点压力二等【案例共创】基于仓颉 + DeepSeek + MCP 的智能膳食分析助手夏同学三等【案例共创】基于 yo + generator-mcp 创建的 MCP Server (Typescript)柠檬味拥抱三等【案例共创】基于华为云开发者空间+Flexus+Dify平台的AI Agent构建实战：搭建大学报考志愿建议助手神一样的老师三等【案例共创】基于仓颉编程语言+Cangjie Magic智能体框架+华为云IoTDA+DeepSeek推动智能家居智能体落地yd_220830895三等【案例共创】 基于华为云开发者空间+Cangjie+deepseek语言实现的智能摘要助手Changeden参与奖【案例共创】基于仓颉编程语言实现SQL脚本模板渲染工具yd_251482364参与奖 【案例共创】基于华为开发者空间构建MCP Server与DeepSeek大模型的教育辅助应用Fanstuck参与奖【案例共创】基于华为开发者空间+DeepSeek：打造全链路高效数据分析工作流柠檬味拥抱参与奖【案例共创】从零开始，用仓颉语言+DeepSeek开发你的专属AI助手郑小健参与奖【案例共创】基于仓颉编程语言+DeepSeek实现“软考系规知识点释义”助手风亦安参与奖【案例共创】基于仓颉编程语言+DeepSeek实现模拟课堂讨论助手尧佥参与奖【案例共创】基于仓颉、DeepSeek与RGF的AI桌宠开发实践柠檬味拥抱参与奖【案例共创】基于华为云开发者空间的AI Agent [旅行灵感生成器]智能体熊猫钓鱼参与奖【案例共创】基于华为开发者空间+仓颉的智能对联网页小程序之旅小鲜参与奖【案例共创】基于仓颉编程语言+DeepSeek实现 AI 绘画提示词生成智能体黄生参与奖【案例共创】基于 华为开发者空间+仓颉 完成健康指数计算器开发实践yd_229103306参与奖【案例共创】基于华为开发者空间从0开始完成仓颉编程语言与Python的互操作 了解案例共创活动为了让更多开发者能够更轻松、更高效地理解和使用我们的文档，进而提升云产品的整体使用体验，我们致力于进一步优化和完善官方产品文档。在此过程中，我们诚挚地邀请广大开发者积极参与，通过亲身体验云产品，编写实践案例或体验评测。一旦您的案例经过专家评审团的认可与采纳，将有以下三点：优质案例将被正式收录至官方案例库，供广大开发者学习。优质案例将选送到在华为云站内外10+个技术社区推荐，给予百万级流量资源。以上案例我们都将注明原作者名字，实现与开发者共创官方文档。参与者不仅有机会获得每月活动礼品，还有可能被评为年度内容贡献官，享受更多荣誉和奖励，获得更多合作机会。我们期待着与您一起，共同打造更加优质、高效的云服务体验。 参与投稿方式第1步：（已注册并实名可跳过）华为云账号实名认证，点击这里。（已设置可跳过）登录后设置社区昵称，点我设置。第2步：点击报名填写报名问卷，提供礼品发放地址等信息第3步：开启您的云端体验，分享实践案例，点我写帖子。版块选择“社区活动”分类选择“案例共创”帖子标题在前面添加【案例共创】（一定要加，方便识别参与活动的帖子）文末可添加活动名称及链接地址，如“我正在参加【案例共创】第4期 基于华为开发者空间+仓颉/DeepSeek/MCP完成应用构建开发实践  https://bbs.huaweicloud.com/forum/thread-02127182415062274055-1-1.html”【如您在体验中有任何产品问题，欢迎在论坛发布问题求助帖（帖子分类选择问题求助）咨询产品专家，如发现任何体验不友好、产品Bug、文档页面错漏等情况，欢迎通过云声平台反馈给我们，还有机会领取云声专属礼品！活动相关咨询可以论坛私信“论坛小助手SUN”】  本期投稿内容Ø  华为云产品介绍：华为开发者空间：汇聚鸿蒙、昇腾、鲲鹏、GaussDB、欧拉等各项根技术的开发资源及工具致力于为每位开发者提供一台云主机、一套开发工具及云上存储空间，让开发者基于华为根生态创新。领取链接CodeArts IDE for Cangjie：且预置在云主机环境中，提供强大的便利性。 Ø  DeepSeek免费Token领取领取DeepSeek 200w免费Token，登录MaaS，可进入贵阳一区域的MaaS控制台，然后点击控制台左侧“模型推理”，点击右侧的“旧版服务”，找到想要使用的DeepSeek版本后点击“领取”，领取成功后就可以开始体验使用了。 Ø  应用构建要求开发者可结合自己的工作实践，须在华为开发者空间内完成应用构建，应用构建类型和主题参考如下：应用构建类型方向：1、仓颉应用2、仓颉+DeepSeek3、MCP server+DeepSeek4、仓颉+DeepSeek+MCP server  主题场景包括但不限于以下方向(仅做参考)：1. 轻量级企业自动化工具（文本处理工具等）；2. 垂直领域问答助手（咨询助手等）；3. 教育/培训轻量化解决方案（考题批改工具等）；4. 行业市场分析（股市预测工具等）；  案例模版参考：MCP案例地址：cid:link_0MCP (Model Context Protocol) 是一个开放协议，用于标准化应用程序如何向 LLM 提供上下文。可以将 MCP 想象成 AI 应用程序的 USB-C 接口。就像 USB-C 为设备连接各种外设和配件提供标准化方式一样，MCP 为 AI 模型连接不同的数据源和工具提供了标准化的方式。MCP 的核心遵循客户端-服务器架构，其中主机应用程序可以连接到多个服务器；在华为开发者空间云主机部署MCP Server服务，基于华为云MaaS提供的免费DeepSeek-R1大模型调用MCP Server提供的工具来进行功能实现。  仓颉案例地址：cid:link_1本案例基于华为开发者空间云主机的 AI 聊天助手开发过程。首先借助一个简洁的仓颉项目案例，体验 CodeArts IDE for Cangjie 编辑器的各项功能；运用华为 MaaS 提供的免费 DeepSeeK Tokens，通过实际操作，在云主机内成功编写并实现了一个智能聊天助手；在 MaaS 服务中领取模型，深度体验 DeepSeek-R1 满血版的各项优势，以及 CodeArts IDE for Cangjie 编辑器的入门使用方法和通过仓颉编程语言实现与 DeepSeek 接口的对接。  Ø 投稿规则1）构建的应用需要完成发布，有应用在线截图。2）案例场景和方案以及用到的华为云产品或者开源框架简述。3）开发过程实际操作描述(文字描述+截图+代码)。4）案例实操需要完整体现，读者可根据案例上手并体验。   活动流程（全年征集，每月一期评选）投稿时间：2025年5月13日-6月30日联合评审：2025年7月1日-7月9日奖项公示：2025年7月10-11日奖品发放：获奖名单公布后5个工作日内寄出  评奖规则届时将有华为技术专家团参与评审，主要按照以下维度评分：标准类型分值释义分值阶梯总分值场景创新性贴近实际行业生产或者服务业务场景0：未结合场景解决实际问题1：提出实际场景但未解决问题2：提出实际场景及解决方方案3：提出实际场景并且解决方案优质0/0.5/1/1.5/2/2.5/33操作完整性关键节点以文字+截图的形势进行说明0：无关键节点文字说明或截图1：有关键节点文字说明或截图2：同时有关键节点文字说明与截图3：符合2的条件下能够突出关键技术特点和释义0/0.5/1/1.5/2/2.5/33行业潜力案例对行业相关技术整合具有可补充性和韧性0：不具备技术可补充性或韧性1：具备技术可补充性或韧性2：同时具有技术可补充性和韧性0/0.5/1/1.5/22影响力通过案例展示其学术成果和社会影响力方面的成功故事或实践0：无学术成果及社会影响力1：具有学术成果或社会影响力2：同时具有学术成果和社会影响力0/0.5/1/1.5/22加分项应用到更多的工具或者技术，此条由评委进行综合判定0/0.5/1/1.5/22  奖项设置代金券及周边礼物发放对象为：已完成实名认证的华为云用户。发放到填写报名问卷的账号及收货地址中，礼包类礼品均为实物礼品。 重要说明1、投稿内容一经采用，将会被纳入官方产品文档，文章作者拥有著作权，华为云拥有使用权、修改权等。2、投稿内容字数不少于500字(不含代码)，要求思路清晰、文字顺通、图片清晰、代码规范，不得有打广告、加二维码引流和凑字数行为。3、文章要求发布在华为云开发者社区论坛，允许搬运自己发在其他平台的文章，但仅支持搬运自己的原创文章，搬运他人的文章当抄袭处理。内容必须保证内容原创性，实践过程真实、内容代码化，如发现投稿内容为转载、复制、抄袭、恶意拼接、灌水等侵权作弊行为，均视为无效并取消参与资格4、将发表过的文章删除后重新发表的文章，不计入发文数量，以文章评选时在线显示数量为准。活动期间，如有用脚本刷阅读量、注册僵尸号刷赞等严重违反社区规范的行为，直接取消所有获奖资格。5、审核通过被采纳的文章作者，将在下月初进行获奖名单公布和奖励发放，届时会有站内信通知，请及时关注并填写快递信息，过期未核对或填写视为放弃该期奖品。6、对于持续输出高质量内容的作者，每年度末还有年度贡献大礼包送上。特别声明：华为云有权根据自身运营安排，自主决定和调整本活动的具体规则，具体活动规则以活动页公布规则为准。相关规则一经公布即产生效力，您应当予以遵守。如您不认同以上规则，请谨慎参与本次活动。   其他相关活动【产品体验官】华为开发者空间+仓颉编程语言案例，提优化建议领千元开发者好礼

1.1         找到ModelArts打开浏览器，在搜索框输入“华为云”>“华为云全球云服务专场”>“登录”>“填写账号密码”1.2      在ModelArts上进行授权在华为云首页，依次选择“产品”>“人工智能”>“AI开发平台ModelArts”，进入服务页面，点击“控制台”按钮，进入控制台页面。第一次使用ModelArts平台，会提示权限不足，需要授权OBS服务和SWR服务。（建议全选授权） 点击上面红框的“此处”的超链接，进入授权委托页面，选择“新增委托”，权限配置选择“普通用户”，然后点击“创建”按钮即可。重新回到ModelArts控制台页面，提示权限不足的红框就消失了，可以正常使用了。1.3         使用训练作业进行多节点训练选择“训练管理”——>“训练作业”——>“创建训练作业”——>启动方式“自定义”——>资源类型“Ascend”——>实例规格选择“Ascend: 8*Ascend-snt9b3(64GB) | ARM: 192 核 1536GB ——>实例数“选择自己的节点数”——>  提交

FAQ专区：昇腾AI芯片: 点击查看异构计算框架CANN: 点击查看ModelArts: 点击查看MindSpore其它问题汇总: 点击查看持续更新中......

各位亲爱的版主们，大家好！经过大家一个月的努力角逐，4月外部版主激励评比结果已出炉，数据公示如下，请查看！（在新标签页打开图片可查看清晰大图/见附件）·外部版主激励规则：点击了解更多转正礼/基础任务/额外任务（在线时长15小时+，主题帖15+，回帖30+，技术长文5+/原创技术干货1+，合集1+，有效回复问题求助帖10+，话题互动1+，完成这4项指标可获对应价值的代金券/实物礼品）请完成任务获得激励的版主，点击填写激励发放意愿统计问卷反馈截止时间：2025年5月19日，以便小编进行相应的激励发放。注：在线时长数据达标后，才会再去考察达标版主的三项任务完成情况；主题数+回帖数达标后，才会再去考察达标版主的技术长文数量情况。

快速上手：ModelArts简单的使用实战多机多卡用公共池的训练作业基于昇腾服务器广告词生成案例手册基于昇腾NPU部署llamafactory单机多卡微调Qwen3教程 官网视频：点击查看

1.1         找到ModelArts打开浏览器，在搜索框输入“华为云”>“华为云全球云服务专场”>“登录”>“填写账号密码”1.2         在ModelArts上创建训练作业在华为云首页，依次选择“产品”>“人工智能”>“AI开发平台ModelArts”，进入服务页面，点击“控制台”按钮，进入控制台页面。第一次使用ModelArts平台，会提示权限不足，需要授权OBS服务和SWR服务。（建议“全选”授权）点击上面红框的“此处”的超链接，进入授权委托页面，选择“新增委托”，权限配置选择“普通用户”，然后点击“创建”按钮即可。重新回到ModelArts控制台页面，提示权限不足的红框就消失了，可以正常使用了。1.3         使用ModleArts的Notebook依次按照以下操作步骤，“控制台”>“开发者环境-Notebook”>选择自己需要的配置“立即创建”>“提交”>“打开”根据自己的需求选择合适的镜像。选择创建之后，直接点击提交选择pytorch实例，点击运行按钮直接执行

如题，一般比赛后，赛方会进行暗榜的测试，然后出最终结果，想问下是多久出结果以及多久发奖金呢？

各位亲爱的版主们，大家好！经过大家一个月的努力角逐，3月外部版主激励评比结果已出炉，数据公示如下，请查看！（在新标签页打开图片可查看清晰大图/见附件）·外部版主激励规则：点击了解更多转正礼/基础任务/额外任务（在线时长15小时+，主题帖15+，回帖30+，技术长文5+/原创技术干货1+，合集1+，有效回复问题求助帖10+，话题互动1+，完成这4项指标可获对应价值的代金券/实物礼品）请完成任务获得激励的版主，点击填写激励发放意愿统计问卷反馈截止时间：2025年4月10日，以便小编进行相应的激励发放。注：在线时长数据达标后，才会再去考察达标版主的三项任务完成情况；主题数+回帖数达标后，才会再去考察达标版主的技术长文数量情况。

在IT技术日新月异的当下，今日chatgpt大火，明天deepseek出道。程序员作为推动科技进步的关键力量，承担着巨大的工作压力。长时间的代码编写、频繁的项目迭代，让不少程序员过着 “996” 甚至 “007” 的生活，身体和精神不堪重负 。生活中，陪伴家人的时间越来越少，个人爱好被搁置一旁，就连简单的锻炼和充足的睡眠都成了奢望。如何平衡好生活和工作的关系，成了摆在广大程序员面前的重要难题。拿我自己举例子。我的工作是数据库运维+一个重要系统的维护。白天要工作，晚上遇到紧急系统和数据库故障也要起来处理，出去玩也要背着电脑，会导致没有兴趣玩那么，程序员究竟该如何找到两者之间的平衡点，既推动事业持续发展，又能享受生活的美好呢？​

在科技飞速发展的当下，大模型技术掀起的 AI 浪潮，正全方位冲击着人类的学习与生活。相信大家对 AI 并不陌生，它既可以在短短几秒内生成一篇结构完整的论文，也能为复杂的数学难题提供解题思路。于是，一个极具争议性的问题摆在我们面前：有了大模型之后，我们还需继续学习吗？AI 又将如何影响我们的学习和发展？今天这场辩论，就旨在深入剖析这一议题，探寻 AI 时代的学习真谛。​正方观点认为，即便有了大模型，学习不仅是必需的，而且更具价值。在 AI 的辅助下，学习方式会发生变革，从而让人们实现更高效、更具创造性的学习。而反方则提出，大模型能提供海量信息与解决方案，足以满足人们的知识需求，传统学习方式正逐渐失去必要性。​领略这场围绕 AI 与学习的思辨盛宴，如何从不同角度剖析这一前沿话题 ？

 【直播回放】直播回放地址【活动总结】   华为开发者布道师技术沙龙·直播间精彩回顾【第1期】联接高校人才培养与前沿产业技术，成就学生未来 / 李一浩老师【第2期】逐梦之旅：学生开发者到华为开发者布道师的蜕变 / 杨阳同学【第3期】昇思MindSpore：AI 领域的创新力量与跨平台之路 / 陈新杰同学【第4期】基于OpenHarmony计算机学科人才培养经验分享 / 周睿老师【第5期】计算机核心课程贯通式实践教学体系介绍 / 赵欢老师、李博经理、杨科华老师【第6期】OpenHarmony应用开发之网络数据请求与数据解析 / 倪红军老师【第7期】华为开发者空间玩转DeepSeek / 马欣老师【第8期】基于能力图谱的openGauss项目闯关/ 马瑞新老师 官网直播间观众问题回答摘要：序号问题答复12457+多表查询时，怎样避免性能瓶颈？建议使用索引方式，以避免多表数据过多导致检索慢26251+全量迁移和增量迁移的主要差异是什么，如何选择适合的迁移方式？增量操作只处理变化的数据，有效提高操作效率，节省资源。数据更新频率高时，增量可以减轻系统负担，确保数据处理及时。全量操作适用于数据一致性和完整性要求高的场景，比如定期备份与恢复、数据迁移等。通过全量操作，可以确保所有数据的完整性和一致性，尤其在数据分析和审计等需要全量数据的情况下尤为重要。36188+openGauss是如何支撑核心系统的高并发与稳定性？查看白皮书46188+在银行业务中，这数据库如何保障银行敏感数据安全？真实银行系统会层层设置秘钥，建有秘钥管理库52457+openGauss支持哪些高级查询优化技巧,？查看白皮书62009+CHAR与VARCHAR的区别是什么后者支持动态数据长度76251+在openEuler上安装openGauss之前需要做哪些准备工作？可以查看白皮书86188+openGauss如何支持银行实时风控？不同的银行策略不一样96188+openGauss做两地三中心容灾方案应该怎么实现呢？视具体场景103835+openGauss数据库的优势和具体更适配的使用场景具体可以介绍一下吗查看白皮书116251+Data Studio支持哪些类型的数据库对象可视化管理？查看白皮书122009+如何在openGauss中更新表的schema查看白皮书132457+如何验证openGauss数据库是否安装成功？查看白皮书142009+录入数据时如何确定是否插入成功？查看白皮书156251+openGauss如何应对银行业务高峰期的数据库负载？查看白皮书162009+插入数据报错时如何快速定位出错的位置？查看白皮书172457+对于敏感信息比如客户个人数据，在数据库层面建议实施哪些加密措施？查看白皮书182009+有没有什么不以明文方式存储密码的方法？查看白皮书192009+两个客户端同时修改一个储户的密码会发生冲突吗？查看白皮书204501+物理备份（PITR）和逻辑备份（pg_dump）的恢复效率差异有多大？如何制定混合备份策略？查看白皮书216251+银行业务场景下，如何设计有效的权限控制机制？查看白皮书226188+在AI与大模型的时代，openGauss如何赋能银行智能化？支持向量数据库吗？查看白皮书232009+有没有通过除了卡号以外的其他方式查找储户信息查看白皮书242092+openGauss 在处理高并发事务时有哪些优化机制？查看白皮书252092+在 openGauss 中，如何高效存储和查询 JSON 数据？请查看白皮书266251+如何减少锁争用，提高事务处理能力？尽量减少锁，会极大损耗性能272457+如何设计支持实时数据分析的数据库架构？openGauss由实时数据分析功能286251+可以使用Python接口与openGauss数据库进行交互吗？可以交互的，有开发接口296188+从mysql迁移至openGauss有哪些步骤？查看白皮书306188+在现在分布式服务中，大型项目中还会有存储过程和触发器吗？如何解决存储过程和触发器问题排查问题？大型项目也会使用的312975+openGauss 的 AI 运维工具（如 AI4DB）如何实现慢 SQL 自动诊断？是否需要额外训练模型？需要额外训练的326251+怎么选择合适的数据库设计模式？没有标准答案啊332457+模糊查询在openGauss中是如何实现的，性能影响因素有哪些？和标准sql是一样的342457+使用存储过程封装业务操作有什么好处？保证数据库的安全性354501+在 ARM 架构服务器上部署 openGauss 时，遇到 checkpointer 进程高 CPU 占用，可能的原因有哪些？具体情况不好说啊362457+如何配置openGauss支持分布式事务？自带的376188+openGauss与mysql相比，其优势在哪？云端存储386188+openGauss如何是如何支撑核心系统的高并发与稳定性？可以查询openGauss的白皮书396251+怎么知道数据库设计是否符合最新的金融行业标准？这个要根据具体情况而定406188+从mysql迁移至openGauss会哪些兼容性问题？数据格式和分区等，这些需要注意41openGauss如何进行批量数据录入查看白皮书422582+openGauss如何进行批量数据录入可以使用SQL语句436188+对于超大规模集群中的实践，如何对openGauss进行性能调优呢？这块视频中有介绍，但是对于大规模并发的还是需要根据具体需要443835+openGauss数据库的优势和适配的使用场景可以具体介绍一下吗主要优势我觉得对于大规模并发的数据openGauss要更好452009+openGauss支持云上动态横向拓展吗支持462009+openGauss的DB for AI支持类似pgvector的功能吗功能在逐渐扩展472009+openGauss支持插件拓展吗支持482009+openGauss相比postgres的优势有哪些？完全支持云端492009+openGauss支持存储地理信息吗支持的502009+想问问老师在使用openGauss有遇到什么问题吗，是怎么解决的呢多查看openGauss的社区和白皮书

案例介绍本案例指导开发者通过开发者空间提供的云主机，使用开源Kotaemon的RAG UI框架，调用ModelArts Studio 大模型平台的DeepSeek-V3-32K模型，构建私人知识库。案例内容1 概述1.1 背景介绍ModelArts Studio作为一款先进的大模型即服务平台，集成了高效便捷的模型开发工具链，支持企业对大模型进行深度定制开发，实现模型应用与业务系统的深度融合，从而显著降低企业AI技术的落地成本与实施难度，助力企业快速实现智能化转型。如今，知识库已成为企业和个人提升工作效率、积累知识资产的重要工具。传统知识库存在构建成本高、维护困难、检索效率低等问题。本案例利用Kotaemon框架和ModelArts Studio提供的DeepSeek-V3-32K模型，构建一个高效、便捷、可定制的本地/私人知识库，方便开发者检索各种场景的文档，提高工作效率。有下列应用场景：开发者文档检索: 开发者可以快速检索 API 文档、代码示例、技术博客等，提高开发效率；企业内部知识管理: 企业可以构建内部知识库，方便员工共享和检索知识，提升团队协作效率；个人知识积累: 个人可以利用知识库管理学习笔记、项目资料等，构建个人知识体系。1.2 适用对象企业个人开发者高校学生1.3 案例时间本案例总时长预计60分钟。1.4 案例流程说明：① 用户使用登录开发者空间并配置云主机；② 用户提供Firefox浏览器在ModelArts Studio平台中领取DeepSeek-V3-32K模型；③ 使用docker部署Kotaemon框架④ Kotaemon调用ModelArts Studio平台中的DeepSeek-V3-32K API模型；⑤ 用户在Firefox浏览器中构建AI知识库并对其进行聊天。1.5 资源总览本案例预计花费总计0元。资源名称规格单价（元）时长（分钟）开发者空间2vCPUs | 4GB X86 |Ubuntu 22.04 Server定制版0602 资源与开发环境准备2.1 配置云主机首先登录开发者空间，登录后页面如下：点击配置云主机，按如下规格进行云主机配置。云主机名称：我的云主机/自定义CPU架构：X86规格：2 vCPUs 4 GB操作系统：Ubuntu系统镜像：公共镜像 Ubuntu 22.04 Server定制版确认以上配置正确，点击安装，进行云主机操作系统安装。安装完毕之后，点击进入桌面。环境准备中，大约需要3-5分钟，请您耐心等待…进入桌面后的默认效果如下：2.2 领取DeepSeek-V3-32K模型在云主机桌面底部菜单栏，点击打开火狐浏览器：用Firefox浏览器访问ModelArts Studio首页， 点击ModelArts Studio控制台，跳转到登录界面，按照提示登录，即可进入ModelArts Studio控制台：签署免责声明：进入ModelArts Studio控制台首页，在左侧菜单栏，选择模型推理中的在线推理，在免费服务中选择DeepSeek-V3-32K（NEW）模型，点击领取，领取200万免费token。3 安装并配置Kotaemon3.1 Kotaemon安装Kotaemon 是一个开源的、简洁且高度可定制的 RAG（Retrieval-Augmented Generation，检索增强生成）用户界面，专门设计用于与您的文档进行对话。无论是普通用户还是开发者，Kotaemon 都旨在提供一种直观、灵活且高效的方式来管理和交互您的文档内容。它不仅仅是一个简单的聊天工具，更是一个集成了先进 AI 技术的智能文档助手，能够帮助用户快速检索、理解和生成与文档相关的信息。项目地址：cid:link_4本次通过docker安装Kotaemon。首先先安装docker：参考文档：cid:link_1登录开发者空间云主机，更新软件包列表。sudo apt-get update安装Docker所需依赖包。sudo apt-get -y install ca-certificates curl创建/etc/apt/keyrings目录，并下载Docker的官方GPG密钥到该目录。sudo install -m 0755 -d /etc/apt/keyringssudo curl -fsSL https://mirrors.huaweicloud.com/docker-ce/linux/ubuntu/gpg -o /etc/apt/keyrings/docker.ascsudo chmod a+r /etc/apt/keyrings/docker.asc将Docker仓库添加到系统的软件源列表。echo \ "deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.asc] https://mirrors.huaweicloud.com/docker-ce/linux/ubuntu \ $(. /etc/os-release && echo "$VERSION_CODENAME") stable" | \ sudo tee /etc/apt/sources.list.d/docker.list > /dev/null更新软件包列表。sudo apt-get update安装并运行Docker。sudo apt-get install -y docker-ce docker-ce-cli containerd.io docker-buildx-plugin docker-compose-pluginsudo systemctl start docker设置以非 root 用户身份管理 Docker#由于云主机默认的用户是developer非root用户，需要设置以非 root 用户身份管理 Docker#创建组dockersudo groupadd docker#将您的用户添加到组dockersudo usermod -aG docker $USER重启云主机回到工作台，点击重启按钮，云主机会自动重启或者您还可以运行以下命令来激活对组的更改：newgrp docker下面的命令是设置 Docker 在系统启动时自动启动。sudo systemctl enable docker查看docker版本信息。docker -v回显如下类似信息，表示Docker安装成功。Docker到此已经安装完毕。接下来通过Docker安装Kotaemon，命令如下：docker run \-e GRADIO_SERVER_NAME=0.0.0.0 \-e GRADIO_SERVER_PORT=7860 \-v ./ktem_app_data:/app/ktem_app_data \-p 7860:7860 -it \ghcr.nju.edu.cn/cinnamon/kotaemon:main-ollama正在安装Kotaemon中：稍等几分钟，下面是安装依赖的日志：继续等待依赖安装完成，下面是安装成功且运行的截图：3.2 登录Kotaemon首页我们在浏览器输入链接：http://localhost:7860发现加载出了首页：默认的Username和Password均为 admin我们输入上述Username和Password，点击登录：登录成功：3.3 在华为云Maas上获取DeepSeek-V3-32K（NEW）模型api接口首先我们要先配置DeepSeek-V3-32K（NEW）模型api接口：我们打开ModelArts Studio中API Key管理的链接：https://console.huaweicloud.com/modelarts/?locale=zh-cn®ion=cn-southwest-2#/model-studio/authmanage点击创建API Key：在标签中填入：Kotaemon描述中填入：开发者空间的Kotaemon当然上述标签和描述的内容可以自定义：创建成功：我们在页面上也可以看到创建成功：注意：API Key仅会在新建后显示一次，请及时复制并妥善保存，若API Key丢失，请新建API Key。我们接着查看在线推理中DeepSeek-V3-32K（NEW）模型api接口信息：查看调用信息，要点击OpenAI SDK按钮：我们成功得到了DeepSeek-V3-32K（NEW）模型接口信息。3.4 配置Kotaemon我们回到开发者空间云主机的火狐浏览器，在Kotaemon登录成功的页面中，首先点击Resources 按钮：点击LLMs按钮：我们在LLMs中先配置DeepSeek-V3-32K（NEW）模型接口，点击Add按钮添加模型供应商：出现下面界面：缩小页面，可以看到全部配置信息：LLM name选项就是需要显示的模型供应商的模型（自定义），本案例设置为华为云下面继续设置LLM vendors，我们这里必须选择ChatOpenAI最后的选项Specification用于配置模型的接口信息这里默认只给出了api_key和model，因为这里默认是OpenAI来提供模型，所以我们需要手动添加base_url指定模型的接口地址，注意：这里添加base_url，不能直接在api_key：null行最后通过换行，来添加一行，需要按住shift+enter 才能添加新的一行。我们将之前得到的Api key、API地址、模型名称填入选项中：我们已经填好信息，把下面的Set default 设置为默认模型勾选一下（1），点击添加模型（2）：浏览器的右上角会出现添加成功的消息：我们点击View视图查看添加的模型：发现已经成功添加华为云为默认的LLMs：我们点击华为云，测试DeepSeek-V3模型是否连接正常：在Test connection中点击Test：测试发现，- Connection success. Got response: Hello! How can I assist you today? 以及右上角会显示infoLLM 华为云 connect successfully说明连接华为云成功注意：如果出现- Connection failed. Got error: Error code: 400 - {'error_code': 'ModelArts.4905', 'error_msg': 'Failed to check the authorization request header. '}说明api_key配置错误.请检查api_key是否填写正确。如果出现- Connection failed. Got error: Error code: 404 - {'detail': 'Not Found'}说明API地址 base_url 配置错误，需要配置正确的地址如果出现- Connection failed. Got error: Error code: 404 - {'object': 'error', 'message': 'The model `deepseek-V3` does not exist.', 'type': 'NotFoundError', 'param': None, 'code': 404}说明模型名称model配置错误，需要将名称配置为：DeepSeek-V3最后我们要保存配置：浏览器右上角会显示保存成功：接下来我们配置Embeddings 嵌入式模型：我们这里docker镜像采用了Ollama 捆绑包，所以使用容器内ollama提供嵌入式模型：nomic-embed-text我们勾选使用ollama为默认的嵌入式模型，然后测试其模型：点击Test：出现连接成功的提示：最后，要保存配置：右上角显示保存成功：最后检查LLMs和Embeddings是否配置正确：下面设置其他选项：首先点击Settings按钮，然后点击Retrieval settings：我们修改1个选项，将LLM for relevant scoring修改为默认：然后点击保存设置： 4 使用Kotaemon搭建本地AI知识库然后我们点击Chat回到首页：我们可以上传我们的个人笔记、知识文档，点击Files按钮，上传pdf文件：上传完成后，正在为文件创建索引：这里创建索引的时间是根据文件的大小和嵌入式模型的响应速度决定的，文件过大，创建索引时间可能过长。下面是文件创建索引成功：点击这个文件：上述文件已经加入我们的知识库了点击Chat按钮，返回首页我们先选中文件，点击Search In File(s)：选择文件：首页我们要设置AI回答的语言为中文，点击下方红色方框的小按钮：点击Language下方的按钮：选择中文Chinese：选择完成后：我们可以对这个文件进行提问了：第一个问题：总结这个文件回答的不错这里由于开发者空间自带的firefox的版本太低，无法显示思维导图因此使用chrome浏览器。首先安装下载Google Chrome 的安装包：wget https://dl.google.com/linux/direct/google-chrome-stable_current_amd64.deb然后安装Google Chromesudo dpkg -i google-chrome-stable_current_amd64.deb查看是否安装成功：dpkg -l | grep google-chrome然后点击首页的左下角的所有应用程序按钮：然后点击运行程序：点击向下的箭头：选择chrome浏览器，启动即可：输入链接：http://localhost:7860/填入默认的Username和Password （均为admin）选择刚才的发现思维导图成功显示：点击Export按钮，可以在新窗口查看思维导图：打开了新窗口：点击Preview按钮，可以预览源文件可以浏览源文件：我们的AI知识库的搭建就完成了！5 总结与展望本次使用的Kotaemon的开源框架中关于RAG的一小部分应用，还有许多其他功能，开发者可以参考下面开源地址链接进行指导：Kotaemon项目地址：cid:link_4华为云Maas提供的DeepSeek-V3-32K模型响应速度挺快，虽然仅仅是体验，后续马上也要开通商用按量服务，应该速度更快！ 我正在参加【案例共创】第3期 基于华为开发者空间+DeepSeek完成AI应用构建开发最佳实践https://bbs.huaweicloud.com/forum/thread-0218176004967264062-1-1.html

各位选手好，近期关注到有些选手开小号来提交作品评测，出于比赛公平性考虑，算法精英实战营赛事禁止选手开小号，注册多个账号提交作品参赛的行为。注意：一名参赛选手只允许使用一个账号进行参赛并提交作品，禁止有注册小号提交作品的行为，如有注册小号提交代码将在代码查重阶段判为作弊。即日起如有注册小号的行为请选手们自行删除小号，即日起如仍有注册小号提交作品的行为将视为作弊，取消相关赛事资格。 以下是比赛相关规则：1.赛事统计榜单只展示选手得分最高的作品分数。由于只开放部分测试集，此榜单不代表最终排名，比赛结束后会对选手最后一次提交作品进行最终验证后公示获奖名单。（建议选手在比赛截止前提交一次自己认为最优的作品）2.华为算法精英实战营是开放的比赛，对于开源代码，可以借鉴参考，但必须有相应的原创、创新。比赛结束后将进行代码查验和复测，如发现代码重复、搬运、抄袭、重复率过高的作品，经查实后我们将取消获奖资格。3.每天每位选手的作品提交的次数不能超过XX次。4.一名参赛选手只允许使用一个账号进行参赛并提交作品，禁止有注册小号提交作品的行为，如有注册小号提交代码将在代码查重阶段判为作弊