近日,第17届中国研究生电子设计竞赛(下简称:研电赛)全国总决赛评审工作圆满完成。今年,来自全国63个高校的114支参赛队伍报名了TI企业命题,创下历史新高。并且,在TI行业领先的技术方案与产品的支持下,实用性与创新性兼具的优秀作品不断涌现,竞争十分激烈。
今年,TI继续与研电赛组委会展开深度合作,设置了TI企业专项奖,秉持着“以赛促教,以赛促学”的理念,针对研究生当下的学习特点进行了命题设置,意图锻炼研究生在创新实践与落地应用的能力。此次TI的企业命题要求学生基于TI前沿的毫米波雷达传感器、高性能的AM系列处理器和C2000实时控制器,从行业的实际问题出发,设计并开发出相应的电子系统,充分锻炼了同学们理论联系实践的能力。
经过长达一个多月的层层比拼,在众多报名TI企业赛题的队伍中,共有16支队伍获得TI企业专项奖,8支队伍获得全国总决赛技术竞赛奖项。其中,来自大连理工大学“无人深空”队的《基于TI MCU的无人机吊挂负载智能控制系统》与来自南京邮电大学“上电不冒烟“队的《基于图像处理的无人水果售卖机》更是突出重围,一举斩获全国总决赛一等奖的好成绩。
来自大连理工大学“无人深空“队的作品选用了TI基于ARM-CortexM4内核的单片机作为硬件系统核心处理单元,最终搭建出的四旋翼吊挂负载实验机系统性强,硬件结构完整,功能模块齐全,并且电路设计清晰,具有丰富扩展能力,不仅可进行手动飞行控制,也可以完成吊挂负载自动飞行任务。此外,该实验机还能够实现主动抗摆控制,对无人机实际应用有重要借鉴意义。
来自南京邮电大学“上电不冒烟“队的作品则以TI的高性能处理器AM57x系列作为开发平台,结合机器人操作系统 (Robot Operating System ROS) 搭建了一种基于图像目标识别和机械臂抓取的无接触式水果售卖智能机器人,实现了对多种水果的图像识别、抓取以及称重并计算总价等功能。该作品针对无人水果店的实际应用场景,结合ROS Mesh组网和UDP通信开发了基于QT- ROS图形界面和WEB网页,方便对无接触式智能售卖机器人进行远程管理,实时监测机器人运行状态。同时,本系统采用TI安全芯片RM57L843进行商业数据的存储,有效保护了商业隐私和数据安全,在疫情防控下的无接触商业场景中具有很强的实用性。
研电赛是面向全国在读研究生的一项团体性电子设计创新创意实践活动,也是“中国研究生创新实践系列大赛”主题赛事之一。在开赛之初,竞赛就确立了“以企业为主要推动力”的发展思路,企业资金支持、企业参与设计题目、企业参与评审、企业为优秀参赛者提供创业就业机会等,让企业成为此项创新型赛事的主要推手。TI大学计划经理王沁说道:“我们非常高兴能够参与到研电赛这样优秀的竞赛中来,正是得益于研电赛以企业为推力的发展思路,TI能够将自身资源与高校电子信息人才培养紧密结合,为产学研的协同发展做出贡献。正如大家所期待的,我们也为研电赛的优胜队伍准备了校招的绿色通道与实习的机会,欢迎大家加入拥有完备培养体系与技术指导的TI,在这里与最强大脑一起改变世界!”
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。