!4 update README

Merge pull request !4 from Kevin Zhang/dev

.gitee/ISSUE_TEMPLATE/cp.yml

@@ -0,0 +1,36 @@
+name: 赛题(CP)
+description: 参赛题目
+title: "[cp]: "
+labels: ["cp"]
+body:
+  - type: markdown
+    attributes:
+      value: |
+        感谢你积极参与比赛，并提交自己希望参加的赛题，当出现一样的题目、一样的性能的时候，以谁创建赛题的时间早者优先。
+  - type: textarea
+    id: desired-solution
+    attributes:
+      label: 你提交的赛题的内容介绍
+      description: 清晰并简洁地描述你希望参赛的内容详细的描述，尽量清晰方便他人了解赛题希望达成的目标。
+    validations:
+      required: true
+  - type: textarea
+    id: alternatives
+    attributes:
+      label: 赛题有对应的预期结果
+      description: 清晰并简洁地描述赛题完成的预期结果，最佳的方式是知道如何测试验证预期结果的正确性。
+    validations:
+      required: false
+  - type: textarea
+    id: additional-context
+    attributes:
+      label: 你有其他相关背景的信息吗？
+      description: 在此处添加有关想法的任何其他上下文或截图。
+    validations:
+      required: false
+  - type: checkboxes
+    attributes:
+      label: 推荐其它选手完成【如选否，请创建后assign赛题给自己】
+      options:
+        - label: 是否希望推荐给别人完成该赛题。
+          required: false

.gitee/ISSUE_TEMPLATE/feature.yml → .gitee/ISSUE_TEMPLATE/idea.yml

@@ -1,4 +1,4 @@
-name: 想法(GPUKernelContest)
+name: 想法
 description: 对本赛题提出一个想法或建议
 title: "[idea]: "
 labels: ["idea"]

.gitee/ISSUE_TEMPLATE/bug.yml → .gitee/ISSUE_TEMPLATE/task.yml

@@ -1,4 +1,4 @@
-name: 任务(GPUKernelContest)
+name: 任务
 description: 对本赛题提出一个任务，用于后续跟踪和执行。
 title: "[task]: "
 labels: ["task"]

.gitignore

@@ -0,0 +1,6 @@
+.DS_Store
+*.bak
+*.pyc
+*.o
+*/build/
+cp_template/*.yaml

README.md

@@ -32,10 +32,70 @@
 
 ---
 
-## 📥 如何参与提交？
+## 🚀 快速上手
+
+本竞赛旨在评估参赛者在GPU并行计算领域的算法优化能力。为了快速让参赛者进入比赛状态，我们提供了三个核心算法的高性能版本参考，供参赛选手不断优化性能：
+- **ReduceSum**: 高精度归约求和
+- **SortPair**: 键值对稳定排序
+- **TopkPair**: 键值对TopK选择
+
+[三个核心算法赛题模板](./cp_template/)
+
+### 📥 选手赛题准备
+
+1. 点击[创建赛题](https://gitee.com/ccf-ai-infra/GPUKernelContest/issues/new?template=cp.yml)
+2. 记录赛题的ID，例如：[ICTN0N](https://gitee.com/ccf-ai-infra/GPUKernelContest/issues/ICTN0N)
+3. Fork仓库并初始化比赛环境(三个核心算法题优化赛题以外自定义的赛题需有入口run.sh脚本，供CI自动测试验证)
+   1. 拷贝赛题样例`cp_template`到赛题`ICTN0N`目录
+        ```
+        ├── S1(说明：第一季比赛名)
+        │   ├── ICTN0N(说明：以赛题ID命名目录存放赛题的PR)
+        |   |   ├── utils
+        │   |   ├── run.sh（说明：作为CI自动测试验证的入口）
+        |   |   └── ……
+        │   └── ……
+        └── S2（说明：第二季比赛名）
+            └── 赛题目录1
+            └── 赛题目录2
+        ```
+
+### 编译和测试
+
+选手赛题目录内提供了编译、测试的脚本，供选手熟悉比赛环境，步骤如下：
+
+```bash
+# ！！！注意参赛选手需要根据自己的赛题ID进入自己初始化的目录！！！！
+cd GPUKernelContest/S1/ICTN0N
+```
+
+
+#### 1. 全量编译和运行
+```bash
+# 编译并运行所有算法测试（默认行为）
+./run.sh
+
+# 编译并运行单个算法测试
+./run.sh --run_reduce   # ReduceSum算法
+./run.sh --run_sort     # SortPair算法
+./run.sh --run_topk     # TopkPair算法
+```
+
+#### 2. 手动运行测试
+
+```bash
+# 仅编译所有算法，不运行测试
+./run.sh --build-only
+
+# 单个运行不同算法的测试
+./build/test_reducesum [correctness|performance|all]
+./build/test_sortpair [correctness|performance|all]
+./build/test_topkpair [correctness|performance|all]
+```
+
+对于如何提交可参考：[如何贡献](how-to-contribute.md)
 
 ### ✅ 参赛要求：
-- 提交内容必须可以在沐曦自研 GPU **曦云 C500** 上运行。
+- 提交内容必须可以在MACA软件上运行。
 - 所提交的优化代码将由主办方审核，**需成功合并（Merge）到官方 Gitee 仓库，才算有效提交。**
 
 ### 📦 提交内容包含：
@@ -47,7 +107,7 @@
 
 ## 📈 评分机制
 
-每次提交会按以下规则评分：
+每次合并的提交会按以下规则评分：
 
 ### 🎯 基础得分（Level）：
 | 等级 | 内容描述 | 分值 |
@@ -56,7 +116,7 @@
 | Level 2 | 融合优化 2~9 个算子 | 10 分 |
 | Level 3 | 含 MMA（多维矩阵乘）融合算子 | 50 分 |
 | Level 4 | 用于大模型推理的复杂融合算子 | 50 分 |
-| 合并至metax-maca开源项目仓库的每个PR | - | 50 分 |
+| 合并至MACA开源项目仓库的每个PR<需要在赛题提供对应合并的记录，并确保和参赛使用的邮箱一致的提交邮箱> | - | 50 分 |
 
 ### ✨ 加分项：
 | 内容 | 分值 |
@@ -70,18 +130,19 @@
 
 ---
 
-## 🏅 排名规则
-
-- 比赛周期：2 个月  
-- 排名按累计得分排序，取前 12 名！
+## 🏆 排名机制
 
-若得分相同：
-1. 提交次数多者优先
-2. 提交时间早者优先
+1. 评委评分从高到低排序
+2. **评估规则：** 取前 12 名作为最终获奖选手
+3. 若基础得分相同：
+  - 加分项多者优先
+  - 提交数量多者优先
+  - 提交时间早者优先
+4. 当同一参赛选手在本赛题有多个赛题的提交时，多个赛题计算累计得分
 
 ---
 
-## 📚 官方参考项目仓库
+## 📚 参考MACA开源项目仓库
 
 你可以参考以下项目仓库，了解算子开发与提交格式：
 
@@ -92,12 +153,6 @@
 
 ---
 
-## 🖥️ 可用资源
-
-- 曦云 **C500 GPU 1/2卡**，主办方通过算力券的形式发放给报名的同学。
-
----
-
 ## 💡 术语解释
 
 - **算子（Operator）**：指深度学习框架中的基本计算模块，例如矩阵乘法、卷积等。

S1/ICTN0N/reduce_sum_performance.yaml

@@ -0,0 +1,26 @@
+# ReduceSum算法性能测试结果
+# 生成时间: 2025-09-04 18:32:03
+
+algorithm: "ReduceSum"
+data_types:
+  input: "float"
+  output: "float"
+formulas:
+  throughput: "elements / time(s) / 1e9 (G/s)"
+performance_data:
+  - data_size: 1000000
+    time_ms: 0.051046
+    throughput_gps: 19.590022
+    data_type: "float"
+  - data_size: 134217728
+    time_ms: 0.405018
+    throughput_gps: 331.387385
+    data_type: "float"
+  - data_size: 536870912
+    time_ms: 1.351834
+    throughput_gps: 397.142754
+    data_type: "float"
+  - data_size: 1073741824
+    time_ms: 2.618675
+    throughput_gps: 410.032451
+    data_type: "float"

S1/ICTN0N/sort_pair_performance.yaml

@@ -0,0 +1,46 @@
+# SortPair算法性能测试结果
+# 生成时间: 2025-09-03 22:37:18
+
+algorithm: "SortPair"
+data_types:
+  key_type: "float"
+  value_type: "uint32_t"
+formulas:
+  throughput: "elements / time(s) / 1e9 (G/s)"
+performance_data:
+  - data_size: 1000000
+    ascending:
+      time_ms: 0.351488
+      throughput_gps: 2.845047
+    descending:
+      time_ms: 0.343270
+      throughput_gps: 2.913155
+    key_type: "float"
+    value_type: "uint32_t"
+  - data_size: 134217728
+    ascending:
+      time_ms: 22.273815
+      throughput_gps: 6.025808
+    descending:
+      time_ms: 22.494003
+      throughput_gps: 5.966823
+    key_type: "float"
+    value_type: "uint32_t"
+  - data_size: 536870912
+    ascending:
+      time_ms: 88.856277
+      throughput_gps: 6.042014
+    descending:
+      time_ms: 89.913918
+      throughput_gps: 5.970943
+    key_type: "float"
+    value_type: "uint32_t"
+  - data_size: 1073741824
+    ascending:
+      time_ms: 181.409576
+      throughput_gps: 5.918882
+    descending:
+      time_ms: 183.428955
+      throughput_gps: 5.853720
+    key_type: "float"
+    value_type: "uint32_t"

S1/ICTN0N/topk_pair_performance.yaml

@@ -0,0 +1,210 @@
+# TopkPair算法性能测试结果
+# 生成时间: 2025-09-03 22:40:54
+
+algorithm: "TopkPair"
+data_types:
+  key_type: "float"
+  value_type: "uint32_t"
+formulas:
+  throughput: "elements / time(s) / 1e9 (G/s)"
+performance_data:
+  - data_size: 1000000
+    k_value: 32
+    ascending:
+      time_ms: 0.402509
+      throughput_gps: 2.484418
+    descending:
+      time_ms: 0.416307
+      throughput_gps: 2.402072
+    key_type: "float"
+    value_type: "uint32_t"
+  - data_size: 1000000
+    k_value: 50
+    ascending:
+      time_ms: 0.404787
+      throughput_gps: 2.470434
+    descending:
+      time_ms: 0.414669
+      throughput_gps: 2.411563
+    key_type: "float"
+    value_type: "uint32_t"
+  - data_size: 1000000
+    k_value: 100
+    ascending:
+      time_ms: 0.398336
+      throughput_gps: 2.510443
+    descending:
+      time_ms: 0.408320
+      throughput_gps: 2.449060
+    key_type: "float"
+    value_type: "uint32_t"
+  - data_size: 1000000
+    k_value: 256
+    ascending:
+      time_ms: 0.410752
+      throughput_gps: 2.434559
+    descending:
+      time_ms: 0.403379
+      throughput_gps: 2.479057
+    key_type: "float"
+    value_type: "uint32_t"
+  - data_size: 1000000
+    k_value: 1024
+    ascending:
+      time_ms: 0.391091
+      throughput_gps: 2.556949
+    descending:
+      time_ms: 0.391142
+      throughput_gps: 2.556613
+    key_type: "float"
+    value_type: "uint32_t"
+  - data_size: 134217728
+    k_value: 32
+    ascending:
+      time_ms: 22.394062
+      throughput_gps: 5.993452
+    descending:
+      time_ms: 22.263729
+      throughput_gps: 6.028538
+    key_type: "float"
+    value_type: "uint32_t"
+  - data_size: 134217728
+    k_value: 50
+    ascending:
+      time_ms: 22.379187
+      throughput_gps: 5.997435
+    descending:
+      time_ms: 22.228352
+      throughput_gps: 6.038132
+    key_type: "float"
+    value_type: "uint32_t"
+  - data_size: 134217728
+    k_value: 100
+    ascending:
+      time_ms: 22.436581
+      throughput_gps: 5.982094
+    descending:
+      time_ms: 22.229326
+      throughput_gps: 6.037868
+    key_type: "float"
+    value_type: "uint32_t"
+  - data_size: 134217728
+    k_value: 256
+    ascending:
+      time_ms: 22.463232
+      throughput_gps: 5.974996
+    descending:
+      time_ms: 22.319946
+      throughput_gps: 6.013354
+    key_type: "float"
+    value_type: "uint32_t"
+  - data_size: 134217728
+    k_value: 1024
+    ascending:
+      time_ms: 22.468454
+      throughput_gps: 5.973608
+    descending:
+      time_ms: 22.335976
+      throughput_gps: 6.009038
+    key_type: "float"
+    value_type: "uint32_t"
+  - data_size: 536870912
+    k_value: 32
+    ascending:
+      time_ms: 89.437294
+      throughput_gps: 6.002763
+    descending:
+      time_ms: 88.605972
+      throughput_gps: 6.059083
+    key_type: "float"
+    value_type: "uint32_t"
+  - data_size: 536870912
+    k_value: 50
+    ascending:
+      time_ms: 89.460587
+      throughput_gps: 6.001200
+    descending:
+      time_ms: 88.546509
+      throughput_gps: 6.063152
+    key_type: "float"
+    value_type: "uint32_t"
+  - data_size: 536870912
+    k_value: 100
+    ascending:
+      time_ms: 89.203011
+      throughput_gps: 6.018529
+    descending:
+      time_ms: 88.809097
+      throughput_gps: 6.045224
+    key_type: "float"
+    value_type: "uint32_t"
+  - data_size: 536870912
+    k_value: 256
+    ascending:
+      time_ms: 89.500465
+      throughput_gps: 5.998526
+    descending:
+      time_ms: 88.743912
+      throughput_gps: 6.049665
+    key_type: "float"
+    value_type: "uint32_t"
+  - data_size: 536870912
+    k_value: 1024
+    ascending:
+      time_ms: 89.405357
+      throughput_gps: 6.004908
+    descending:
+      time_ms: 88.446083
+      throughput_gps: 6.070036
+    key_type: "float"
+    value_type: "uint32_t"
+  - data_size: 1073741824
+    k_value: 32
+    ascending:
+      time_ms: 182.233307
+      throughput_gps: 5.892127
+    descending:
+      time_ms: 181.076950
+      throughput_gps: 5.929754
+    key_type: "float"
+    value_type: "uint32_t"
+  - data_size: 1073741824
+    k_value: 50
+    ascending:
+      time_ms: 182.273239
+      throughput_gps: 5.890836
+    descending:
+      time_ms: 180.944550
+      throughput_gps: 5.934093
+    key_type: "float"
+    value_type: "uint32_t"
+  - data_size: 1073741824
+    k_value: 100
+    ascending:
+      time_ms: 182.374191
+      throughput_gps: 5.887576
+    descending:
+      time_ms: 181.277100
+      throughput_gps: 5.923207
+    key_type: "float"
+    value_type: "uint32_t"
+  - data_size: 1073741824
+    k_value: 256
+    ascending:
+      time_ms: 182.349457
+      throughput_gps: 5.888374
+    descending:
+      time_ms: 181.248199
+      throughput_gps: 5.924152
+    key_type: "float"
+    value_type: "uint32_t"
+  - data_size: 1073741824
+    k_value: 1024
+    ascending:
+      time_ms: 182.378326
+      throughput_gps: 5.887442
+    descending:
+      time_ms: 181.025803
+      throughput_gps: 5.931430
+    key_type: "float"
+    value_type: "uint32_t"

cp_guide.md → cp_run_guide.md

@@ -1,59 +1,12 @@
 # GPU 高性能并行计算算法优化竞赛
 
-## 🎯 竞赛概述
-
-本竞赛旨在评估参赛者在GPU并行计算领域的算法优化能力。参赛者可选择实现三个核心算法的高性能版本：
-- **ReduceSum**: 高精度归约求和
-- **SortPair**: 键值对稳定排序
-- **TopkPair**: 键值对TopK选择
-
-## 🚀 快速开始
-
-### 编译和测试
-
-#### 1. 全量编译和运行
-```bash
-# 编译并运行所有算法测试（默认行为）
-./build_and_run.sh
-
-# 仅编译所有算法，不运行测试
-./build_and_run.sh --build-only
-
-# 编译并运行单个算法测试
-./build_and_run.sh --run_reduce   # ReduceSum算法
-./build_and_run.sh --run_sort     # SortPair算法
-./build_and_run.sh --run_topk     # TopkPair算法
-```
-
-#### 2. 单独编译和运行
-```bash
-# 编译并运行ReduceSum算法（默认行为）
-./build_and_run_reduce_sum.sh
-
-# 仅编译ReduceSum算法，不运行测试
-./build_and_run_reduce_sum.sh --build-only
-
-# 编译并运行SortPair正确性测试
-./build_and_run_sort_pair.sh --run correctness
-
-# 编译并运行TopkPair性能测试
-./build_and_run_topk_pair.sh --run performance
-```
-
-#### 3. 手动运行测试
-```bash
-./build/test_reducesum [correctness|performance|all]
-./build/test_sortpair [correctness|performance|all]
-./build/test_topkpair [correctness|performance|all]
-```
-
 ## 📝 参赛指南
 
 ### 实现位置
 参赛者需要在以下文件中替换Thrust实现：
-- `src/reduce_sum_algorithm.maca` - 替换Thrust归约求和
-- `src/sort_pair_algorithm.maca` - 替换Thrust稳定排序
-- `src/topk_pair_algorithm.maca` - 替换Thrust TopK选择
+- `reduce_sum_algorithm.maca` - 替换Thrust归约求和
+- `sort_pair_algorithm.maca` - 替换Thrust稳定排序
+- `topk_pair_algorithm.maca` - 替换Thrust TopK选择
 
 ### 算法要求
 见competition_parallel_algorithms.md
@@ -92,25 +45,21 @@
 - 各数据规模的详细性能数据
 - 升序/降序分别统计（适用时）
 
-## 📁 项目结构
+## 📁 提交内容结构
 
 ```
-├── build_and_run.sh                # 统一编译和运行脚本（默认编译+运行所有算法）
-├── build_common.sh                  # 公共编译配置和函数
-├── build_and_run_reduce_sum.sh     # ReduceSum独立编译和运行脚本
-├── build_and_run_sort_pair.sh      # SortPair独立编译和运行脚本
-├── build_and_run_topk_pair.sh      # TopkPair独立编译和运行脚本
+├── run.sh                # 统一编译和运行脚本（默认编译+运行所有算法）
 ├── competition_parallel_algorithms.md  # 详细题目说明
-├── src/                            # 算法实现和工具文件
-│   ├── reduce_sum_algorithm.maca     # 1. ReduceSum测试程序
-│   ├── sort_pair_algorithm.maca      # 2. SortPair测试程序
-│   ├── topk_pair_algorithm.maca      # 3. TopkPair测试程序
+│── reduce_sum_algorithm.maca     # 1. ReduceSum测试程序
+│── sort_pair_algorithm.maca      # 2. SortPair测试程序
+│── topk_pair_algorithm.maca      # 3. TopkPair测试程序
+├── utils/                        # 工具文件
 │   ├── test_utils.h               # 测试工具和CPU参考实现
 │   ├── yaml_reporter.h            # YAML性能报告生成器
 │   └── performance_utils.h        # 性能测试工具
-├── final_results/reduce_sum_results.yaml  #ReduceSum性能数据
-├── final_results/sort_pair_results.yaml   #替换Thrust稳定排序
-└── final_results/topk_pair_results.yaml   #TopkPair性能数据         
+├── reduce_sum_results.yaml        #ReduceSum性能数据
+├── sort_pair_results.yaml         #替换Thrust稳定排序
+└── topk_pair_results.yaml         #TopkPair性能数据         
 ```
 
 ## 🔧 开发工具
@@ -134,7 +83,7 @@ mxcc -O3 -std=c++17 --extended-lambda -Isrc
 |--------|--------|------|
 | `COMPILER` | `mxcc` | CUDA编译器路径 |
 | `COMPILER_FLAGS` | `-O3 -std=c++17 --extended-lambda` | 编译标志 |
-| `INCLUDE_DIR` | `src` | 头文件目录 |
+| `HEADER_DIR` | `utils` | 头文件目录 |
 | `BUILD_DIR` | `build` | 构建输出目录 |
 
 ### 调试模式

competition_parallel_algorithms.md → cp_template/competition_parallel_algorithms.md

@@ -1,11 +1,11 @@
-# 题目：
+# 样例赛题说明
+
 ## GPU高性能并行计算算法优化
 
 要求参赛者通过一个或多个global kernel 函数（允许配套 device 辅助函数），实现高性能算法。
 
 在正确性、稳定性前提下，比拼算法性能。
 
-
 # 1. ReduceSum算法优化
 ```cpp
 template <typename InputT = float, typename OutputT = float>
@@ -23,14 +23,12 @@ public:
 * 系统将测试评估1M, 128M, 512M, 1G element number下的算法性能
 * 假定输入d\_in数据量为num\_items
 
-
 注意事项
 
 * 累计误差不大于cpu double golden基准的0.5%
 * 注意针对NAN和INF等异常值的处理
 
 
-
 加分项
 
 * 使用tensor core计算reduce
@@ -62,14 +60,11 @@ public:
 * 需要校验结果正确性
 * 结果必须稳定排序
 
-
 加分项
 
 * 支持其他不同数据类型的排序，如half、double、int32_t等
 * 覆盖更全面的数据范围，提供良好稳定的性能表现
 
-
-
 # 3. Topk Pair算法优化
 ```cpp
 template <typename KeyType, typename ValueType>
@@ -95,7 +90,6 @@ public:
 
 * 结果必须稳定排序
 
-
 加分项
 
 * 支持其他不同数据类型的键值对，实现类型通用算法

run.sh → cp_template/run.sh

@@ -36,11 +36,11 @@ COMPILER=${COMPILER:-mxcc}
 COMPILER_FLAGS=${COMPILER_FLAGS:-"-O3 -std=c++17 --extended-lambda -DRUN_FULL_TEST"} 
 
 # ***** 这里是关键修改点1：头文件目录 *****
-# 现在头文件在 includes/ 目录下
+# 现在头文件在 utils/ 目录下
 HEADER_DIR=${HEADER_DIR:-utils} 
 
 # ***** 这里是关键修改点2：源文件目录 *****
-# 现在源文件在 algorithms/ 目录下
+# 现在源文件在 ./ 目录下
 SOURCE_CODE_DIR=${SOURCE_CODE_DIR:-} 
 
 BUILD_DIR=${BUILD_DIR:-build}