华为杯六题怎么选?选题指南 + 建模思路 + 求解路线一篇搞定

赛题详解 · A（华为命题）

通用神经网络处理器下的多核调度问题

题型：组合优化 + 仿真评估 ｜ 核心武器：DAG 图划分 + 列表调度 + 对着评估器迭代

题目在说什么：把一张神经网络计算图（DAG，张量节点 + 操作节点）切成若干子图，分配到 2–5 个同构 AI 核上并排出执行顺序，在数据依赖、L1/UB 缓存容量、四条硬件流水线、共享 DDR 带宽（60 bytes/cycle）约束下缩短总体执行时间 Makespan。官方提供完整评估程序（自动重建跨子图搬运、核内调度、多核模拟），你只负责输出两个 JSON 字段：node_to_subgraph（切图）与 core_schedules（每核子图顺序）。一场"规则全透明"的算法对抗。

问题1（场景 A：无核间同步）：每个子图独立成 Task，所有跨子图数据都必须经 DDR 中转，同核切换等 100 cycles、跨核前驱等 1000 cycles——通信代价极高，切图要"能合并就合并"，把强通信依赖的算子聚在一起，用少量大子图换低通信；再按子图间依赖图做列表调度（HEFT 类关键路径优先）均衡各核负载。加速比定义已给死：单核基准与 k 核 Makespan 之比，正文要交 1–5 核平均加速比折线图。

问题2（场景 B：有核间同步）：同核全部子图合并为一个 Task，前序子图数据可驻留 L1/UB 直接复用（同核通信 C_inner<跨核 C_cross），跨核走 COPY_OUT/同步延迟 500 cycles/COPY_IN。驻留复用与缓存容量压力形成此消彼长：驻留越多越省搬运，但压缩后续子图可用空间，触发更多缓存换入换出。题目明说"合并可能负时间收益"，这正是切图粒度的核心权衡。在严格满足容量约束下重做问题 1 全流程。

问题3（引入共享只读 L2）：全核共享 1MB、250 bytes/cycle 的 FIFO 只读 Cache，带宽独立于 DDR。优化方向清晰：把多核共享的输入对应算子切进相邻子图，让共享读取命中 Cache（命中率是新增统计指标），用独立带宽池给 DDR 解压。交无 L2 与有 L2 两套配置的对比曲线与逐用例指标。

避坑提醒：① 方案合法性检查是硬门槛：node_to_subgraph 必须恰好覆盖全部非 COPY 节点、每个 sgid 在 core_schedules 中恰好出现一次、子图依赖图必须无环——先跑通 stub 脚本校验格式再谈优化；② config.txt 与评估脚本一个参数都不能改，论文结果必须由官方评估器给出；③ 核内调度算法是给定的（确定性拓扑序 + 缓存换入换出 + 四 Pipe 排布），你能优化的只有切图与子图顺序，别把力气花错地方；④ 2–5 核都要稳定出结果，只调一核会翻车；⑤ Makespan 按固定 DDR 总带宽和争用重算，核内阶段的"参考时间"不是最终答案。

适合谁选：算法功底好、工程迭代快的队伍。判分器透明、结果客观（Makespan 直接比大小），优化上限取决于迭代次数与策略组合（谱聚类/最小割切图 + 遗传/模拟退火/强化学习 + HEFT 调度）；没有体系结构知识也能上手，附录把评估算法全部摊开了。

赛题详解 · B

氢燃料电池低温冷启动建模与控制策略研究

题型：机理建模 + 策略优化 ｜ 核心武器：水热电化学耦合方程 + 相变 + 参数校准 + 控制优化

题目在说什么：零下环境里，燃料电池内的残余水与反应生成水会结冰，冰堵死催化层和气体扩散层的孔隙，电压掉、启动失败。题目给了完整的常温一维模型（五层膜电极沿厚度方向：气体守恒、水守恒、电流守恒、能量守恒、Butler–Volmer 三损失电压模型），要你在此基础上加冰：总水量拆成水蒸气/液态水/固态冰三相，结冰放潜热、冰占孔堵传质，再用附件 2 的 -20℃/-25℃ 冷启动实验数据校准验证。后面三问层层加码：电堆电流加载策略、电热丝辅助加热、动态反馈控制，全部在同一个模型上生长。

常温模型（题目已给）＋ 三处低温改造：① 水守恒拆三相：m_w = m_v + m_l + m_i（低于冰点液态水冻结）② 冰占孔修正：ε_g = ε₀ − ε_l − ε_ice，堵传质、缩反应面积③ 能量方程加相变潜热项与结冰源项

问题1（单电池冷启动模型与验证）：把备注 1 的常温模型改造成冷启动模型，沿厚度方向离散（催化层/膜用细网格，扩散层粗网格，界面连续衔接），数值求解（有限体积/Crank–Nicolson，注意刚性——用隐式或 ode15s 类求解器），输出 35 s 内平均温度、冰体积分数、电压曲线；用附件 2 实验数据校准关键参数（如交换电流密度 j_0,ref），按题目给的表 1/表 2 格式逐时刻填相对误差。这一问是全文地基，校准得稳不稳决定后面三问。

问题2（电堆自冷启动策略优化）：5 片串联，片间导热 + 端板对流（公式都给好了），端部片更冷更易冻。设计恒流/线性升载/分段阶梯三类 j(t)，在q_max=20 C/cm²、j_max=0.5 A/cm² 约束下最小化启动时间 t_s（启动成功 = 五片同时满足电压、冰体积分数、温升条件），填表 3；再扫出自冷启动的最低初始温度 T₀，并分析低于 T₀ 时"谁先冻死、为什么"——答案几乎必然指向端部片，但要用数据说话。

问题3（辅助加热）：-30℃，双极板内电热丝逐片可调。纯预加热（先加热到 0℃ 以上再加载）与恒定功率协同（边加热边加载）两条路线，以各片功率密度 q_k 和持续时间为决策变量，最小化总辅助加热能耗，填表 4 并对比能耗、速度与端部冰堵抑制。

问题4（动态反馈控制）：q_k(t) 随实时温度与电压反馈调节——识别"温度偏低/温升不足/冰堵风险/接近成功"四类状态分别增强、维持、降功率或停机（功率 0–1 W/cm²，冰堵阈值与电压下限是硬约束）。三种预冷工况（均匀 -30℃、冷却 20/40 min 的非均匀温度场）+ 10–100 min 冷却时间扫描，动态策略 vs 问题 3 恒功率对比填表。经典做法：基于状态分区开关控制，或 MPC 滚动优化。

避坑提醒：① 校准参数宜少不宜多——只调 j_0,ref 等个别敏感参数，参数一堆就是对实验数据过拟合，预测能力反而被质疑；② 相变潜热在数值上要妥善处理（等效热容法或焓法），否则温度曲线在 0℃ 附近震荡；③ 催化层（阳极 3.4 μm/阴极 11.3 μm）细网格 + 多方程耦合是刚性系统，显式格式步长会小到怀疑人生，直接上隐式；④ 启动成功条件是"所有单电池同时满足"，逐片判定别偷懒只看平均；⑤ 四问代码合并成一个压缩包（"B+队号"命名）随附件提交，正文不放代码；⑥ 表 1–4 是评分对照表，行列结构与单位严格照抄。

适合谁选：传热学/电化学/计算流体功底扎实的队伍，模型链路题目已经铺好（常温模型、导热公式、启动判据、成本口径全部给出），比拼的是数值实现的稳定性和策略优化的严谨性。没碰过 PDE 数值解或求解刚性方程组的队伍慎入。

赛题详解 · C

服务于脑机接口与精神性疾病诊断的脑电图计算模型

题型：信号处理 + 开放建模 ｜ 核心武器：伪迹降噪 + ERP 提取 + 跨尺度神经计算模型

题目在说什么：六题中最"科研"的一道。题目先铺了三层背景知识——微观 Hodgkin–Huxley/LIF 神经元、介观 Wilson–Cowan 神经集群、宏观 Kuramoto 脑网络同步（序参数 r(t) 即大量神经元同步的观测，脑电可视为序参数的一种读数）；然后给了一份视觉认知实验的脑电数据：在 F3/Fz/F4 三个电极记录左/右三角形目标识别任务，四组 .mat 文件（256 Hz，10 通道，含视觉提示标记与应答标记），要求建立"视觉刺激 → LGN → 皮层 → 头皮脑电"的计算模型，并服务脑机接口解码与精神疾病早筛两条应用线。

通道 1–3：Fz/F3/F4 原始脑电——主要原料通道 4–6：机器自带滤波后的 Decon 数据——题目明令避免直接使用（会破坏视物特征）通道 7：ECG，记录系统正常性参考 ｜ 通道 8：视觉提示（-1 左靶 / +1 右靶）通道 9：应答（-2 点左 / +2 点右）｜ 通道 10：时间戳——切片对齐全靠 8/9/10

问题1（保形降噪与 ERP 提取）：眼动、肌电等伪迹远强于视觉响应，但常规去噪会把想要的形状特征一起洗掉——题目就要你设计"保留视物特征的定向降噪"。可行路线：ICA/回归类方法去除眼动成分时只投影掉与眨眼模板高度相关的子空间；小波阈值只作用于低频漂移带；再以通道 8 的提示时刻为零点做叠加以提取事件相关电位（P300 类晚期正成分大约出现在刺激后 250–500 ms），分别对项目 1（位置已知）与项目 2（位置未知）拟合响应曲线并对比。

问题2（脑电形成机理模型）：建立"LGN → 皮层 → 头皮"的正向模型：刺激驱动皮层神经元群（可取 Wilson–Cowan 或 Kuramoto 耦合），群体活动经偶极子源叠加与体积传导投影到 F3/Fz/F4 头皮电位。要解释左/右三角刺激为何产生可区分的脑电差异——题面用"人脸特征探测器"神经元做了提示：皮层用"空间构型选择性"的特征检测群响应刺激，左右目标激活皮层不同空间位置的神经群，头皮上表现为 F3/F4 的半球偏侧化差异。据此给出区分左右刺激的特征表示（左右电极差分、时频能量分布、相位锁定等），并用数据验证可分性。

问题3（认知宏观模型）：两阶段认知过程——阶段 1 直接视觉响应（枕叶-皮层）、阶段 2 海马对照识别（记忆检索），信号终点取应答前约 100 ms。把问题 2 的脑电形成机制扩展成"视觉皮层 + 海马 + LGN 多源"的认知模型，用数据验证；注意应答不一定正确、也可能超时未答——把试次按"正确/错误/未应答"分组分别检验模型，往往是这一问出彩的地方。

避坑提醒：① 通道 4–6 的 Decon 数据禁止直接使用，这是题目写死的红线，只能当对照；② 试次切片与基线校正务必用通道 8/9/10 的标记，别手工目测；③ 开放题没有标准答案，评分看模型自洽性 + 与数据的定量对照，每一个机理断言都要落到数据可比的指标上；④ 信号处理先稳后巧：预处理→试次对齐→叠加平均→统计检验的教科书链路做扎实，再谈花活；⑤ 别陷入反问题的泥潭——题目明确说了脑电反问题"实际应用价值不大"，做正向模型即可。

适合谁选：有神经科学/生物医学工程/信号处理背景、读得懂题面三层模型的队伍。上限极高（可写成一篇小论文），下限也最不可控（数据量小、开放度大、结果无客观判据），适合"以赛代研"的科研型队伍；纯刷题型选手慎选。

赛题详解 · D

山区洪涝灾害下无人机运输与通信协同优化

题型：运筹优化 ｜ 核心武器：异构 VRP + 共享电池周转 + 链路预算 + 任务分区

题目在说什么：以广西镇龙乡洪灾为背景：1 个临时调度中心 O01、15 个服务区、80 个不可拆货箱、3 种机型共 8 架运输无人机、共享电池组、中继无人机与能源组件，外加 30 米分辨率 DEM 地形数据。要在载重、体积、返航安全余量、充电周转、物资时限、连续通信覆盖一堆约束下，规划"怎么运"（组批 + 路径 + 机型 + 时刻）与"怎么保通信"（中继悬停位置与时段），最后做任务分区评估资源缺口。规则口径在附录 2/3 里写得极细，是六题中"标准动作"最全的一道。

① 巡航海拔 = 航段沿线 DEM 像元最高点 + 50 m；服务区作业高度 = 地面 + 30 m② 等效航程随载荷按 (L₀−L_F)(q/Q)^3/2 折减；能耗 = 水平巡航 + 爬升附加③ 每架次总能耗 ≤ (1−ρ_g)×单组电池可用能量（返航安全余量）④ 两阶段充电：0–90% 占等效充满时间的 65%，90–100% 占 35%⑤ 通信链路 = DEM 遮挡判定 + 自由空间损耗 FSPL + 遮挡附加损耗，双向取小；中继两段链路须同一时刻同时可用

问题1（单点往返 + 组批）：不做调度，先算"物理账"：三机型飞 O01→S_i→O01 往返的最大安全载荷（把返航段也计入能量），再按载重/体积/能量约束把 80 个货箱按服务区分组装箱（不可跨区、不可拆分），最后在架次数、总能耗、累计作业时间三指标间讨论权衡——这类"说明优先关系"的文字题在研赛评分里占份量，要给出量化的 Pareto 对比而不是口号。追加返航安全余量的敏感性分析。

问题2（异构多点多架次调度，本题主战场）：标准 VRP 变体全家桶：一个架次可串多个服务区，联合决策组批、访问顺序、机型、具体实体机、共享电池与起飞时刻；医疗物资按期望送达时间、首批货箱按截止时间考核。规模不大时上 MILP（Gurobi/COPT）可以直接打样，一般用"贪心构造 + 大邻域搜索/遗传算法"精修；务必输出逐箱送达时刻表和资源使用表，并写一个独立 checker 复核所有约束（能量、时限、电池周转不重叠）。

问题3（运输 × 中继联合调度）：叠加通信层：运输全程须在线，直连 G01 不可用（山体遮挡）时由中继无人机补链。要联合决定中继的悬停位置（DEM 范围内、离地高度不超限）、飞行海拔、服务时段、能源组件分配。实用做法：先对每个运输架次逐时刻算直连链路可用性，找出"通信盲区"时空集合，再为中继选址（对盲区做视域/链路覆盖优化）与排班。多目标：配送及时性、联合完成时间、总能耗、架次数。

问题4（任务分区与资源配置）：把 15 个服务区划成 2 组、3 组（保持问题 3 的组批/顺序/通信关系不变，同架次涉及的服务区强制同组），逐组独立核算运输机、电池、中继机、能源组件需求，比较资源规模、冗余、组间均衡与库存缺口。本质是带耦合约束的划分问题——按"架次—服务区"关系图做连通分量切分，再对切分方案做资源核算对比。

避坑提醒：① 附录 2/3 的计算口径逐条实现，尤其是巡航海拔逐航段取 DEM 最高点 +50 m、连续投送后从 30 m 重新爬升这类细节，口径错一处全线作废；② 共享电池不跨机型混用，任务占用与充电时段不得重叠，两阶段充电公式直接照抄；③ 医疗物资与首批货箱的时限是硬约束，优先级要在算法里显式落地；④ 中继"两段链路同一时刻同时可用"，逐时刻判定而不是按架次粗粒度判定；⑤ 结果文件按模板逐箱给送达时刻，图表要覆盖路线、时序、资源占用、通信保障四张脸。

适合谁选：运筹优化经验 + 工程实现能力兼备的队伍（会 VRP/启发式、能啃 Excel+DEM 数据管线）。数据全给定、规则全透明、结果可自查，"做对"路径清晰；工作量六题最大，比拼的是代码组织与多约束整合的耐力，想冲优靠多目标权衡分析的深度。

赛题详解 · E

复杂场景下多模态情感预测的数学建模与算法设计

题型：多模态深度学习 ｜ 核心武器：特征对齐 + 缺失鲁棒融合 + 可解释性分析

题目在说什么：人的情绪同时写在文字、语音、表情与动作里。题目给出 CMU-MOSEI 的 100 条英文原始视频（37 个子文件夹，时长 2.648–34.567 s，连续情感强度标注 [-3,3]）以及 4850 条已处理好的三模态特征（aligned / unaligned 两版任选其一）。要依次解决三件事：把原始素材变成可核验的对齐特征；在模态局部缺失（某些连续时段特征全零）时稳住预测；最后让模型说清楚自己为什么这么判——哪个模态说了算、证据在哪个片段。

问题1（特征提取与时序对齐）：三条流水线 + 一条对齐规则。文本：Whisper 或自带字幕转写，过 BERT/RoBERTa 取 768 维词向量；语音：librosa/openSMILE 或预训练 wav2vec2、HuBERT；视觉：OpenFace 2.0 / MediaPipe 提面部动作单元（AU）、头部姿态与表情。对齐的核心是词级时间戳（Whisper 原生输出或 Montreal Forced Aligner 强制对齐），把三模态重采样/线性插值到统一时间栅格。注意题目给的三条硬验收：样本覆盖完整性（100 条一一对应）、时序组织可核验（序列位置、有效长度、填充规则要留记录）、方法可复现（工具版本、关键参数、处理日志全要写进论文）。还须选至少 1 个典型样本，把"文本片段—语音时段—视频帧段—特征"的对应关系摆出来验证对齐效果。

问题2（模态缺失鲁棒预测）：缺失不是"整个模态没了"，而是模态内部随机连续区间的特征全零。四条可选路线，按工程量递进：① 掩码感知训练——训练时随机挖连续区间模拟缺失，让模型学会"带伤上场"，实现最简单、上限也不低；② 跨模态注意力迁移——Transformer 融合结构让完整模态的信息流向缺失时段（MulT 类跨模态注意力天然适配）；③ 生成式插补——插值、自编码器重建或扩散模型把缺失区间"补"出来再融合；④ 全模态教师 → 缺失学生蒸馏——教师网络看全三模态，学生网络在缺失输入下模仿教师输出。模型在附件 2 训练集上训练、验证集上选结构与阈值，然后对附件 3 无标签测试集推理出结果文件。论文要给出缺失模态类型 × 缺失率 × 缺失位置（首/中/尾）× 缺失时长的影响规律与消融矩阵，这张表是本问的灵魂。

问题3（可解释性预测）：三层输出：情感极性与强度（预测本身）、主要参考模态与作用程度（模态级归因）、关键证据定位（时间级归因，要能回看原始文本片段/语音时段/视觉关键帧）。模态贡献量化三法可并用对照：注意力权重占比（最简单）、梯度×输入类方法（Integrated Gradients / Grad-CAM 思路，更稳）、反事实置零（逐个遮掉一个模态看性能掉多少，最直观）。关键片段定位取时间注意力峰值或梯度热点，映射回原始素材的时刻区间。最后为附件 4 的测试样本输出"解释卡"：预测结果 + 三模态作用程度条 + 主要参考模态 + 证据时刻定位。附件 4 附带原始视频，就是让你把证据"回放"给评委看的。

避坑提醒：① aligned 与 unaligned 全程只能用一套，训练、验证、两个专项测试都要同一版本同一接口，题目原文专门强调过；② CMU-MOSEI 是唯一数据源，任何外部情感数据集（哪怕只用于微调或阈值选择）都违规；③ 问题 2、3 的模型参数都在附件 2 训练集上学，附件 3、4 是无标签专项集，只能推理不能反向调参；④ 指标口径提前定死：分类看 Accuracy/F1，回归看 MAE/皮尔逊相关系数，中性 0 的归属别搞混；⑤ 附件总量不超过 50MB，自生成的 100 条特征文件要随附件提交且不能含任何身份信息。

适合谁选：至少一人能独立搭 PyTorch 多输入网络、用过 HuggingFace 生态的队伍。特征数据已经备好（4850 条、维度小），普通显卡就能训，门槛不在算力在工程规范——题目把"可核验、可复现、可追溯"写成评分项，就是给工程素养好的队伍发分。

赛题详解 · F

算力约束下提升大语言模型能力的资源配置建模

题型：统计回归 + 约束优化 ｜ 核心武器：标度律拟合 + 单纯形回归 + 预算优化 + 增长核算

题目在说什么：把训练大模型比作培养学生——参数量 N 是脑容量，数据量 D 是阅读量，算力 C 是教育经费，数据质量 Q 是教材质量，领域配比 p 是各科课时分配。经典标度律 L(N,D)=E+A·N^−α+B·D^−β 只管前两个变量，本题要求把质量与配比也请进公式，再回答"钱怎么花最值"：同样的算力，堆参数、买数据、提质量、调配比，边际回报各是多少？预算从 10¹⁹ 涨到 10²⁴ FLOPs，最优策略会不会发生质变？全程不需要真的训练模型——附件给了 RegMix 配方实验、Pythia 训练轨迹、开源榜单三类真实公开数据（A1–A18 / B1–B12 / C1–C10），拼的是统计与优化。

问题1（质量评价 + 冲突消解 + 配比建模）：三个小题递进。① 质量评分 Q：22 个质量指标方向不一（教育价值越高越好、广告含量越低越好），先做方向统一（负向指标 Min-Max 后取 1−x），多维列表型指标先压成标量，再加权/打分聚合成样本级 → 语料级 → 领域级 Q，聚合方式要有论证；题目硬性要求全量使用抽样集 A1 与扩展集 A2、A3，并给出域级 Q 与抽样集结果对照。② 冲突消解：同一文本上"教育价值高"与"广告含量高"并存时怎么算？先定义冲突（如指标间标准化评分之差超阈值、或加权总分与单指标排序矛盾），再给消解规则（优先级仲裁、加权调和、剔除），结论要在抽样集上得出、扩展集上复核。③ 17 域配比回归：用 A4–A15 的配方实验表（RegMix 风格的"配比 → Loss"数据），在单纯形约束 p_i≥0、Σp_i=1 下拟合配比与交叉熵损失的定量关系——softmax 参数化 + 神经网络/回归树，或 Dirichlet 回归、约束最小二乘都行；A6–A11 当检验集，A12–A15 外推表验证结论稳健性。质量信息与配比体系分属两套域分类，若要打通需借 A16 的参考映射并说明假设。

问题2（广义标度律）：把 Q 与 p 写进 L(N,D)。最自然的两种设计：改写有效数据量 D_eff=D·h(Q)（质量打折），或在经典式上加质量修正项 B·D^−β·g(Q)；配比 p 可以进成各域损失的加权和。多数队伍会加一条"Q=1 时退化为经典形式"的约束——加了就要论证依据。用 B1（Pythia 训练轨迹）做主拟合，B2 或 B3 做同族验证，B4、B5 做跨族/文献验证，B9、B10 讨论百亿参数以上的外推。然后做经济学作业：弹性系数 ε=∂lnL/∂lnN、∂lnL/∂lnQ 逐个算出来，回答"同样加一倍算力，堆参数还是提质量划算"，并推导"质量提升 0.1 等价于参数增加多少"的解析条件（令 A·ΔN^−α 与质量项的增量相等即可解出 ΔN）。领域间的替代/互补用交叉弹性讨论。

问题3（预算优化与结构性转移）：总成本三件套——基础训练 C_train=6ND、质量提升 C_Q=D·[g(Q)−g(Q₀)]₊（三类成本函数：指数型 γ=10⁷,λ=6.0；幂函数型 γ=5×10⁹,λ=4.0；对数渐进型 γ=2×10⁹,λ=10.0）、长文本注意力 C_attn=ηND·L_ctx（η=2×10⁻⁴，L_ctx 外生给定、可行值依据 C7，不是寻优变量）。在 C≤10¹⁹、10²²、10²⁴ FLOPs 三档下最小化由问题 1、2 得到的损失函数，KKT 条件一写，"低预算先顾温饱（堆 D）、高预算讲究生活质量（提 Q）"的直觉会自己浮现。两个解析考点别丢：临界上下文 L_ctx^crit=6/η=3×10⁴——超过 3 万 token，注意力开销就反超基础训练开销，须在可行取值上做敏感性分析；结构性转移要给数学定义（如最优解 active set 变化、拉格朗日乘子排序颠倒、目标函数分段拟合的断点）与识别方法（预算扫描 + 断点检测），不能只讲故事。三类 g(Q) 的曲率差异对最优解的影响，正适合做成对比实验。

问题4（技术演进分解与前沿预测）：回到经济增长核算的经典套路——索洛残差。用附件 C 的开源榜单数据（参数量、提交日期、许可证、模型类型、六项基准得分），把能力增长拆成"规模扩张贡献"与"非规模技术进步贡献"：回归 log(能力) ~ a·log(算力) + 时间趋势，趋势项就是技术进步；或建动力学模型 dA/dt 分项量化。桥接环节：前三问的 Loss 要翻译成榜单分数，用 C5/C6 的 Loss–Benchmark 桥接数据（自带可比性等级字段，须按等级区分使用）或可核验文献建立映射，并讨论映射误差的影响。预测未来 12/24 个月的前沿边界须附不确定性分析（bootstrap 置信带或多情景推演），且三套口径声明缺一不可：开源筛选规则（权重是否开源、许可证是否允许复现）、模型类型（pretrained 基础模型 vs chat/finetuned）、时间轴（提交/发布/版本日期）。

避坑提醒：① B6–B8 是半合成数据，可以补充分析但绝不能写成"实验观测"，可信度边界要标注；② Loss–Benchmark 桥接必须按可比性等级区分使用，混着用是硬伤；③ 附录 A 把每一问"必须用哪些数据"逐条列死了，论文里要能对号入座（问题一全量 A1–A3、A6–A11 检验、A12–A15 外推；问题二 B1 主拟合 + B2/B3、B4/B5 验证；问题四必用 C1/C2、C3、C4 字段且 C8 至少一项逐任务聚合）；④ 单纯形约束别用无约束回归硬拟，参数化或投影处理并在论文说明；⑤ L_ctx 是外生变量，拿去做四维寻优直接违背题意；⑥ 所有外推结论都要有稳健性讨论，这是评分明写的。

适合谁选：回归分析、优化建模与 Python 数值计算扎实的队伍（数学、统计、管理、经济工程背景都对口）。不需要 GPU，不需要训模型，数据全是表格，四问递进、每问都有明确的"标准动作"；想冲优则要在广义标度律的创新形式、结构性转移的数学刻画与增长核算的严谨性上见真章。题目自我声明"无须底层系统开发或大规模训练经验"，实属诚不我欺。

第一步：盘点队伍技能——有没有人啃得动仿真评估器与组合优化？有没有人写过多方程耦合数值求解？有没有人做过信号处理或运筹调度？深度学习工程与统计回归各是什么水平？第二步：对号入座——算法对抗 → A；机理建模 → B；科研开放题 → C；运筹调度 → D；深度学习工程 → E；统计回归+优化 → F。第三步：读题验证——花 30 分钟精读候选题全文与附件结构，确认数据字段都看得懂、每一问都有可用模型，再拍板。第四步：锁题后立即排兵布阵——谁主建模、谁主编程、谁主论文，第一晚跑通"最小闭环"：A 题先让 stub 方案过校验，B 题先复现常温模型，C 题先完成试次切片与叠加平均，D 题先算通一个单点往返架次，E 题先把附件 2 读进内存跑基线，F 题先拟合出 α、β。

三个研赛特色提醒：① AI 使用披露制度——按竞赛规定，AI 可辅助理解与调试，但不得代替核心建模、推导与论证，直接照搬 AI 方案一经查实取消参评资格，论文末尾必须披露所用工具与使用范围；② 数据与规则边界即红线——A 题不得改评估配置、C 题禁用滤波后通道、E 题唯一数据源、F 题各问指定数据清单，超范围使用与漏用一样扣分；③ 可复现性与结果文件是明评分项——A/B/D/E 都要求程序或结果文件随附件提交（B 题四问代码合并压缩包），E 题附件总量不超过 50MB，全文严禁出现单位、姓名、队伍编号。