昇腾CANN开源竞赛，从参赛到获奖的实战攻略

前言

昇腾CANN开源社区每年都会办技术竞赛——算子开发赛、模型优化赛、应用创新赛，奖金从几千到几万不等。但很多人一听到"竞赛"就打退堂鼓，觉得那是大佬的游戏。

实际上，昇腾CANN竞赛的门槛没想象中高。掌握Ascend C基础语法、熟悉一两个算子的开发流程，就能参赛。关键是搞清楚竞赛的规则、评审标准和常见坑——这些信息散落在社区各个角落，cann-competitions仓库把它汇总了。

这篇会用最直白的方式，把昇腾CANN竞赛的完整参赛路径拆解清楚。

竞赛全景

昇腾CANN开源竞赛分三个赛道，每个赛道的考察重点和难度不同：

赛道1：算子开发赛

考察重点：用Ascend C写一个高性能算子，在NPU上跑出好成绩

典型赛题：

• 实现一个自定义激活函数算子（如SwiGLU）
• 优化一个已有算子的性能（如FlashAttention的某个变体）
• 实现一个NPU原生的信号处理算子

难度：⭐⭐⭐⭐（需要对达芬奇架构有基本理解）

奖金：1-5万元

赛道2：模型优化赛

考察重点：用CANN工具链优化一个模型的推理性能

典型赛题：

• 用ATB加速LLM推理，降低首token延迟
• 用AMCT量化模型，在精度损失<1%的前提下提升吞吐
• 用GE图优化减少算子数量

难度：⭐⭐⭐（不需要写算子，但要懂CANN工具链）

奖金：1-3万元

赛道3：应用创新赛

考察重点：基于昇腾NPU做一个创新应用

典型赛题：

• 用昇腾NPU做实时视频分析（安防/交通）
• 用昇腾NPU做边缘推理（工业检测/农业）
• 用昇腾NPU做行业解决方案（金融/医疗）

难度：⭐⭐（门槛最低，创意和完整性最重要）

奖金：0.5-2万元

参赛全流程

注册 → 选赛道 → 开发 → 提交PR → CI检查 → 评审 → 颁奖

第一步：注册

在昇腾CANN开源社区注册账号，签署CLA（贡献者许可协议）：

# Fork竞赛仓库到自己的账号gitclone https://atomgit.com/<your-username>/cann-competitions.gitcdcann-competitions# 创建参赛目录mkdir-psubmissions/<year>/<track>/<team-name>

第二步：开发（以算子开发赛为例）

用Ascend C实现一个自定义算子。以下是往届获奖作品的核心代码结构：

// swiglu_kernel.cpp - Ascend C实现的SwiGLU算子// SwiGLU(x) = x * sigmoid(1.702 * x)，是LLaMA等大模型的激活函数#include"kernel_operator.h"classSwiGLUKernel{public:__aicore__SwiGLUKernel(){}__aicore__voidInit(GM_ADDR x,GM_ADDR y,uint32_ttotalLength){// 分配GPU/NPU上的bufferxGm.SetGlobalBuffer((__gm__ half*)x,totalLength);yGm.SetGlobalBuffer((__gm__ half*)y,totalLength);// 把输入从Global Memory搬到Local Memory（更快）pipe.InitBuffer(inQueueX,1,totalLength*sizeof(half));pipe.InitBuffer(outQueueY,1,totalLength*sizeof(half));this->totalLength=totalLength;}__aicore__voidProcess(){// 1. 从Global Memory搬数据到Local MemoryCopyIn();// 2. 在Local Memory上做计算（SwiGLU = x * sigmoid(1.702x)）Compute();// 3. 把结果从Local Memory搬回Global MemoryCopyOut();}private:__aicore__voidCopyIn(){// 从Global Memory读输入LocalTensor<half>xLocal=inQueueX.AllocTensor<half>();DataCopy(xLocal,xGm,totalLength);inQueueX.EnQue(xLocal);}__aicore__voidCompute(){LocalTensor<half>xLocal=inQueueX.DeQue<half>();LocalTensor<half>yLocal=outQueueY.AllocTensor<half>();// SwiGLU核心计算：y = x * sigmoid(1.702 * x)// 先算 1.702 * xLocalTensor<half>scaled=xLocal;// 复用bufferMuls(scaled,xLocal,(half)1.702,totalLength);// 再算 sigmoid(1.702x)Sigmoid(yLocal,scaled,totalLength);// 最后 x * sigmoidMul(yLocal,xLocal,yLocal,totalLength);outQueueY.EnQue<half>(yLocal);inQueueX.FreeTensor(xLocal);}__aicore__voidCopyOut(){LocalTensor<half>yLocal=outQueueY.DeQue<half>();DataCopy(yGm,yLocal,totalLength);outQueueY.FreeTensor(yLocal);}private:TPipe pipe;TQue<QuePosition::VECIN,1>inQueueX;TQue<QuePosition::VECOUT,1>outQueueY;GlobalTensor<half>xGm,yGm;uint32_ttotalLength;};// 算子入口函数extern"C"__global__ __aicore__voidswiglu_kernel(GM_ADDR x,GM_ADDR y,GM_ADDR workspace,GM_ADDR tiling){SwiGLUKernel op;op.Init(x,y,1024);// 1024个元素op.Process();}

代码讲解：这是Ascend C的典型算子结构——Init/Process三段式。核心在Compute()函数：先用Muls做标量乘法（1.702×x），再用Sigmoid做激活，最后用Mul做逐元素乘法。整个过程在Local Memory（类似GPU的Shared Memory）上执行，比在Global Memory上快10倍以上。DataCopy负责Global↔Local的数据搬运，是达芬奇架构的DMA操作。

第三步：提交PR

# 1. 写好算子代码和测试脚本# 目录结构：# submissions/2026/operator/team-abc/# ├── swiglu_kernel.cpp # 算子实现# ├── swiglu_build.sh # 编译脚本# ├── test_swiglu.py # 测试脚本# └── README.md # 说明文档# 2. 提交到自己的Forkgitadd.gitcommit-s-m"feat(operator): add SwiGLU kernel for Ascend C Implement SwiGLU activation function using Ascend C. Performance: 1024 elements in 0.02ms, 3.2x faster than PyTorch. Signed-off-by: Your Name <your@email.com>"gitpush origin main# 3. 在AtomGit上创建Pull Request# 标题格式：[竞赛年份-赛道] 团队名 - 算子/项目名称# 示例：[2026-Operator] Team ABC - SwiGLU Kernel

代码讲解：git commit -s的-s参数会自动加上Signed-off-by行，这是开源社区的DCO（Developer Certificate of Origin）要求，声明你有权提交这个代码。commit message遵循Conventional Commits格式：type(scope): description。

第四步：CI检查

提交PR后，CI机器人会自动做以下检查：

# CI检查项（自动执行）1. DCO签名检查 → commit必须有Signed-off-by2. CLA签署检查 → 提交者必须签署贡献者协议3. 代码格式检查 → clang-format / black4. 编译检查 → Ascend C代码能否通过编译5. 测试执行 → 运行test_swiglu.py，对比精度和性能

任何一项失败，CI会在PR评论区打❌，需要修复后重新push。

第五步：评审

CI通过后，评审委员会按以下维度打分（算子开发赛）：

往届获奖作品速览

踩坑实录

坑1：未签CLA，PR被自动关闭

现象：提交PR后1分钟内被机器人关闭，评论：“Please sign the CLA first.”

原因：昇腾CANN社区要求所有贡献者签署CLA（Contributor License Agreement），未签署的PR会被自动拦截。

解决：先在AtomGit上签署CLA，再提交PR。

# 签署CLA# 访问 https://atomgit.com/cann/cann-agreements# 点击"Sign CLA"按钮，用AtomGit账号授权# 签署后重新提交gitcommit--amend-s# 确保有Signed-off-bygitpush-forigin main

坑2：commit message格式不规范，CI失败

现象：CI报错Invalid commit message format。

原因：commit message必须遵循Conventional Commits格式，如feat(scope): description。

解决：修改commit message。

# 错误gitcommit-m"add swiglu kernel"# 没有type和scope# 正确gitcommit-s-m"feat(operator): add SwiGLU kernel implementation"

坑3：测试脚本没有性能基准，评审被扣分

现象：功能正确但性能分数低，因为测试脚本只验证了精度，没有对比PyTorch基准性能。

原因：评审需要看到"你的算子比PyTorch快多少"，没有基准数据无法评分。

解决：在测试脚本中加入性能对比。

# 测试脚本要包含性能对比importtimeimporttorch# PyTorch基准x=torch.randn(1,4096).npu()torch.npu.synchronize()t0=time.time()for_inrange(100):y=x*torch.sigmoid(1.702*x)# PyTorch SwiGLUtorch.npu.synchronize()pytorch_time=(time.time()-t0)/100# Ascend C算子torch.npu.synchronize()t0=time.time()for_inrange(100):y=swiglu_custom(x)# 自定义算子torch.npu.synchronize()custom_time=(time.time()-t0)/100print(f"PyTorch:{pytorch_time*1000:.3f}ms")print(f"Ascend C:{custom_time*1000:.3f}ms")print(f"加速比:{pytorch_time/custom_time:.1f}x")

结尾

cann-competitions是昇腾CANN开源竞赛的管理仓库，涵盖算子开发赛、模型优化赛、应用创新赛三个赛道，从注册到评审的完整流程都有规范指导。

如果想参与昇腾CANN竞赛，建议从应用创新赛入门（门槛最低），再挑战模型优化赛和算子开发赛。关键是：签CLA、commit格式规范、测试脚本要有性能对比数据。

昇腾CANN的开源生态还在持续壮大。如果在参赛过程中遇到啥问题，欢迎去AtomGit上的昇腾CANN开源社区逛逛，里面有一手资料和活跃社区。

社区链接

https://atomgit.com/cann/cann-competitions