第二十四届中国计算语言学大会（The 24th China National Conference on Computational Linguistics, CCL 2025）将于2025年8月11-14日在山东省济南市举行。会议主办单位是中国中文信息学会，承办单位是齐鲁工业大学（山东省科学院）。
本次大会继续组织中文语言处理技术评测CCL25-Eval。经过前期评测任务征集，CCL25-Eval组织委员会已确定12个评测任务，涵盖了语义分析、医疗、古诗词理解、作文修辞识别、垂直领域、多模态、中文语音等研究方向。欢迎广大研究者参与评测竞赛。每个评测任务都会根据比赛结果设立一、二、三等奖若干名，由中国中文信息学会颁发官方荣誉证书。
评测主席：林鸿飞（大连理工大学）李斌（南京师范大学，libin.njnu@gmail.com）谭红叶（山西大学，tanhongye@sxu.edu.cn）
评测任务网站：http://cips-cl.org/static/CCL2025/cclEval/taskEvaluation/index.html
评测任务
任务1：第五届空间语义理解评测（SpaCE 2025）
The Fifth Spatial Cognition Evaluation
任务简介
空间表达描述了物体之间的空间方位关系，是自然语言中的高频现象。要准确理解文本中空间表达的语义，不仅需要语言知识，还需要调用空间认知能力，构建空间场景，并基于世界知识进行空间方位信息相关的推理。
空间语义理解评测（Spatial Cognition Evaluation，简称 SpaCE）以测试机器的空间语义理解水平为目标，自 2021年开始连续举办了四届赛事。现有评测结果显示，大语言模型在形式特征明显、形义对应关系简单的语义角色识别任务上已经达到了与人类相当的水平，但在需要调动认知能力进行深层语义理解的任务上，仍然有较大的提升空间。
为了进一步了解大语言模型的空间认知能力，我们推出了第五届空间语义理解评测（SpaCE2025）。相较于前四届赛事，本届评测提升了数据规模，平衡了数据分布，更加专注于具有较高认知加工难度的评测任务。此外，在推理任务上提供中英文对照评测数据，进行跨语言空间语义理解评测。
SpaCE2025有以下四个评测任务：
- 空间信息正误判断：依据文本能否构造出合乎常理的空间场景，判断其空间信息是否正确。
- 空间参照实体识别：针对文本中方位词前省略参照物的情况，找出提供方位参照的实体。
- 空间异形同义判别：选择描述相同空间场景或不同空间场景的方位词语对。
- 空间方位关系推理：依据给定空间场景与已知实体间方位关系，推理出实体位置及未知的方位关系。
组织者和联系人
- 评测组织者：詹卫东、穗志方（北京大学）
- 任务联系人：肖力铭（北京大学博士生，lmxiao@stu.pku.edu.cn）
任务奖项
- 一等奖0-1名，奖金合计12000元；
- 二等奖0-2名，奖金合计12000元；
- 三等奖0-4名，奖金合计12000元。
赞助情况
- 本次评测奖金由华为公司赞助。
任务网址
https://pku-space.github.io/SpaCE2025
任务2：第三届汉语框架语义解析评测
任务简介
框架语义解析（Frame Semantic Parsing，FSP）是一项基于框架语义学的细粒度语义分析任务，其目标是从句子中提取框架语义结构，实现对句子中事件或情境的深层理解。框架语义解析对阅读理解、文本摘要、关系抽取等下游任务具有重要意义。
然而，句子中的语言成分普遍存在语义角色嵌套的现象。例如，在句子“我的眼睛什么也看不见了。”中，“我的眼睛”充当了【自由感知】框架中的“身体部位”角色，同时“我”又充当了“自主感知者”的角色。传统的语义角色标注方法通常优先标注粒度较粗的“身体部位”角色，而忽视了粒度较细的“自主感知者”角色，导致部分语义信息的遗漏。此外，由于大模型的快速发展，粗粒度的语义分析（如：Semantic Role Labeling）几乎已经被解决，并且大模型已经可以较好地理解这些语义，并用于实际的任务中，但对于更加细粒度与复杂的语义场景，大模型仍有欠缺。
为了进一步的评估和提升模型在细粒度语言理解上的能力，我们推出了基于CFN2.1的评测任务。不同于基于CFN1.0和CFN2.0的前两届评测任务，本次评测更多地关注模型在面向语义嵌套现象时的分析能力，并改进现有分析工具在面临框架元素的嵌套和融合（例如在“雇佣秘书”中，“秘书”既是雇员也是职位）等语言现象时容易遗漏部分角色信息的问题。
本次评测包括以下三个子任务：
- 框架识别（Frame Identification）：识别句子中给定目标词或构式激活的框架。
- 论元范围识别（Argument Identification）：识别句子中给定目标词或构式所支配论元的边界范围。
- 论元角色识别（Role Classification）：预测论元范围识别任务中论元的语义角色标签。
组织者和联系人
- 评测组织者：李茹、谭红叶（山西大学）；常宝宝（北京大学）；戴新宇（南京大学）
- 任务联系人：许豪（山西大学博士生，202322407052@email.sxu.edu.cn）
任务奖项
- 一等奖1名，奖金合计2500元；
- 二等奖1名，奖金合计1500元；
- 三等奖1名，奖金合计1000元。
赞助情况
- 本次评测奖金由北京并行科技股份有限公司赞助。
任务网址
https://github.com/SXUNLP/The-3nd-Chinese-Frame-Semantic-Parsing
任务3：第五届中文抽象语义表示解析评测（CAMRP 2025）
The Fifth Chinese Abstract Meaning Representation Parsing Evaluation
任务简介
语义分析是目前自然语言处理的重点和难点。抽象语义表示（Abstract Meaning Representation，AMR）将句子抽象成一个单根有向图，拥有较强的语义表示能力，被广泛应用于机器问答和文本摘要等下游任务中。中文抽象语义表示（Chinese Abstract Meaning Representation，CAMR）在AMR基础之上，针对汉语的语言特点，新增了概念对齐和关系对齐信息的标注，同时弥补了AMR没有对虚词进行表示的不足。
自CoNLL 2020以来，中文抽象语义表示解析评测（CAMRP）已连续举办四届，CAMR解析精度已与英文AMR相近，整句语义分析能力已达到较高水平。为了进一步将句子级AMR解析拓展至篇章级共指关系解析，本届评测新增了500篇篇章CAMR语料，语料源自宾州中文树库语料库中的6237句文本，涵盖经济、体育及生活等多种体裁，以考察解析系统在篇章指代消解上的表现。
CAMRP 2025共包含以下两个子任务：
- CAMR解析：给定分词后的句子，输出句子对应的CAMR图结构，要求包含概念对齐与关系对齐信息。
- 篇章共指解析：给定包含若干分词后的句子的篇章，输出该篇章中的所有共指链，要求包含共指关系、句子编号与共指词。
组织者和联系人
- 评测组织者：李斌、曲维光、周俊生（南京师范大学）
- 任务联系人：许智星（南京师范大学博士生，xzx0828@live.com）
任务奖项
- 本届评测将设置一、二、三等奖，由中国中文信息学会提供荣誉证书。
任务网址
https://github.com/GoThereGit/Chinese-AMR
任务4：第一届汉语叙实性推理评测（FIE2025）
Factivity Inference Evaluation 2025
任务简介
叙实性推理（Factivity Inference, FI）是一种与事件真实性判断有关的语义理解任务，是真实性推理（Factuality Inference, FactI）的一种形式。在人类的会话交际中，叙实性推理能力表现为语言使用者可以从某些动词性语言成分（如“相信”“谎称”“意识到”等）的使用推知其他语言成分所描述的相关事件的真实性（真还是假）。例如，从肯定句“他们意识到局面已经不可挽回”和相应的否定句“他们没有意识到局面已经不可挽回”上，都可以推理出存在这样一个事实：“局面已经不可挽回”。进行叙实性推理所使用的知识是一种受世界知识（world knowledge）影响较小、主要涉及语言内部各成分之间语义关系的分析性语言知识（analytical knowledge of language）。比如，上面例句中的动词“意识到”要求（预设）它的宾语“局面已经不可挽回”的所指为真，不管该动词前面有没有否定性词语。
作为语言推理的一种重要的导航机制和手段，叙实性推理具有明确的语言形式方面的线索，是机器进行文本蕴涵识别（textual entailment recognizing）、幻觉处理（hallucination solving）、信念修正（belief revision）等任务的重要的语义基础和形式依据，同时对信息检索、信息抽取、问题回答、情感分析等下游任务都具有重要价值。目前，大型语言模型（Large Language Models, LLMs）日益具备类人的与外界自主交互的能力，也被称为“智能体”（agent）。从话语中获取事实性信息及说话人对事件真实性判断的主观态度，这对于智能体的自主推理和人机交互而言是极为关键的。
为了提升大型语言模型对中文的语义理解能力，进一步实现机器对人类交际话语的深度理解，我们推出了第一届中文叙实性推理评测（Factivity Inference Evaluation 2025, 简称FIE2025）。
本次评测主要关注两方面的问题：
1、LLMs的中文叙实性推理表现如何？不同LLMs在不同语境条件下的表现有何差异？
2、不同的提示词（prompts）编写方式（包括但不限于更改shots数量、使用CoT、更改提问句式等）对LLMs的叙实性推理的结果会产生何种影响？什么样的提示词设计可以最大程度上优化LLMs的中文叙实性推理表现？
参赛队伍需要根据所提供的测试集自行设计提示词，自主选择合适的模型参加测试，通过API方式向模型提问并获取回答。此次评测在大模型的选择、提示词的设计方式与具体的提问方式上均不设限制，鼓励尝试进行多样化、复合化测试手段以获得更好的回答表现。
组织者和联系人
- 评测组织者：袁毓林（澳门大学）；李斌（南京师范大学）
- 任务联系人：丛冠良（澳门大学博士生，guanliang.cong@connect.um.edu.mo）
任务奖项
- 本届评测将设置一、二、三等奖，由中国中文信息学会提供荣誉证书。
任务网址
https://github.com/UM-FAH-Yuan/FIE2025
任务5：第一届中文古诗词赏析评测
任务简介
中文古诗词（Chinese Ancient Poetry）作为传统文化的瑰宝，具有高度凝练性和语言的音乐美，讲究对仗、平仄和押韵。理解中文古诗词的语义，不仅需要掌握古诗的语言特性，还需要调动对历史、文化背景的知识，结合对古诗中所描绘的自然景象和人物情感的认知，从而进行综合性的理解与推理。
中文古诗词赏析评测（Evaluation on Chinese Ancient Poetry Appreciation, CAPA）旨在评估自然语言处理模型对古诗词内容及情感进行深入赏析的能力，包括两个子任务：
- 子任务一：古诗词文本理解
- 子任务二：古诗词情感赏析
组织者和联系人
- 评测组织者：白雪峰、陈科海（哈尔滨工业大学（深圳））
- 任务联系人：裴振武（哈尔滨工业大学（深圳），23S151077@stu.hit.edu.cn）
任务奖项
- 本届评测将设置一、二、三等奖，提供总额为6000元的奖金。所有奖金将在公布奖项后10个工作日内发布。
任务网址
https://github.com/HITICI-NLPGroup/CAPA
任务6：第二届中文作文修辞识别评测
Chinese Essay Rhetoric Recognition Evaluation
任务简介
在中文作文写作中，文采作为语言表达的形式特征，其水平高低往往通过各类修辞的运用表现出来。因此，对作文中修辞格运用的识别和理解，不仅反应了作文的文采水平和语言表达能力，对于帮助教师评估作文质量，指导学生提升语言表达能力也有重要意义。近年来，针对作文修辞识别的研究通常使用特征匹配对齐等方法，从句子结构、语义信息等语言学特征角度进行排比和比喻的粗粒度识别，或者设计模型结构针对明喻这单一的修辞手法进行识别。针对多层次的修辞类型定义，已经有少量研究开始探索对比喻、比拟、夸张、排比这4种修辞进行细粒度类型识别和成分抽取。
作为2024年CCL第一届中小学生修辞识别评测的延续，本次评测的数据集同样来自真实教学场景中汉语为母语的中小学作文（由扫描全能王蜜蜂家校提供作文OCR识别），作文体裁涵盖记叙文和议论文等文体。与第一届评测相比，具有以下不同：1）修辞格类型除了比喻、比拟、夸张、排比，本次评测还增加了反复、设问、反问、摹状等4种类型，扩充了更多语言表达的形式；2）上届评测仅在句子级进行识别，本次评测以段落文档级进行识别，更适合跨句群的修辞形式。
本次评测包涵8种修辞格类型：比喻、比拟、夸张、排比、反复、设问、反问、摹状，对给定段落文档进行以下3个赛道的识别和抽取：
1、中文作文修辞形式类型识别
2、中文作文修辞内容类型识别
3、中文作文修辞成分抽取
其中赛道1在上述8种修辞格上进行识别，赛道2和3在比喻、比拟、夸张、排比4种高频修辞格上进行识别和抽取。
组织者和联系人
- 评测组织者：陆玉江（华东师范大学计算机科学与技术学院），刘诺纬（华东师范大学计算机科学与技术学院），任育培（华东师范大学计算机科学与技术学院），朱奕澄（华东师范大学中国语言文学系），兰曼（华东师范大学计算机科学与技术学院），柏晓鹏（华东师范大学中国语言文学系），徐默凡（华东师范大学中国语言文学系），廖庆钰（上海临冠数据科技有限公司）
- 任务联系人：陆玉江（华东师范大学，yujianglu@stu.ecnu.edu.cn）
任务奖项
- 本届评测将设置一、二、三等奖，组织方提供丰厚的奖金、奖品等奖励，由中国中文信息学会提供荣誉证书。
任务网址
https://github.com/cubenlp/CERRE-2025CCL
任务7：第一届中国文学语言理解评测（争鸣）
Chinese Literary Language Understanding Evaluation（ZhengMing）
任务简介
中国文学融合了丰富的艺术、历史文化和深厚的情感，给自然语言处理（NLP）模型带来巨大的挑战。模型需要深入理解文本中的语言特点、文化背景和修辞技巧，准确把握古典与现代文学的差异，包括多义性、象征性语言的使用，以及社会现实与情感表达的交织。高阶的语义理解与推理能力是必不可少的，模型需要能够分析不同历史时期和文学流派的独特特点与情感倾向，尤其是对修辞手法（如对仗、隐喻等）的精准把握。模型还必须具备文化敏感性和情感分析能力，才能应对中文文学的复杂性与多样性。
中国文学语言理解评测-争鸣（Chinese Literary Language Understanding Evaluation，ZhengMing）任务旨在从现代文学批评倾向、现代文学批评挖掘、古代文学知识理解、文学阅读完形填空、文学命名识别识别、文学作品风格预测和文学语言风格转换等5个子任务多角度评估模型对文学语言理解的综合能力：
- 古代文学知识理解：给定一组古文文学选择题，模型需从四个候选答案中选出最佳答案，对古文的知识掌握程度和语言理解能力。
- 文学阅读完形填空：基于给定的文学文本和整体语境，模型需填补空白部分，考察其对文学风格、语言特征和语境理解的能力。
- 文学命名实体识别：在给定的文学文本中，模型需要准确提取出实体对象及其类别（如人物、地点等），评估其在文本解构方面的能力。
- 文学作品风格预测：根据给定的文学文本，模型需根据其写作风格和语言特征推测可能的作者，评估对文学风格与作者特征的识别能力。
- 文学语言风格转换：模型需将文言文翻译为现代汉语，并保留其原意、思想和情感，测试其在语言风格转换中的准确度和语义传递能力。
此外，争鸣还提供2个域外任务，用于评测模型的泛化能力，确保其在不同文本和任务间的适应性。
- 现代文学批评倾向：给定的文学批评文本，模型需要判断其对作品的评价倾向（如正面、负面或中立），评估其在情感分析与批评理解方面的能力。
- 现代文学批评挖掘：给定的文学批评文本，模型需要识别出文本中相关的评论对象（如作品、人物等），考察其在批评内容挖掘和识别方面的表现。
组织者和联系人
- 评测组织者：胡刚、岳昆（云南大学），彭敏（武汉大学），陈思广（四川大学），何珊（云南师范大学）
- 任务联系人：胡刚（云南大学，hugang@ynu.edu.cn）
任务奖项
- 本届评测将设置一、二、三等奖，由中国中文信息学会提供荣誉证书。
赞助情况
- 本次评测任务由趋动科技重磅推出的AI开发训练平台“趋动云（virtaicloud.com）”独家冠名，并为每个参赛队伍提供免费300算力金赞助，可自由选择空闲显卡。
任务网址
https://github.com/isShayulajiao/CCL25-Eval-ZhengMing
任务8：中文电子病历ICD诊断编码评测
Chinese Electronic Medical Record ICD Diagnosis Coding Evaluation
任务简介
近年来，随着人口老龄化加剧和健康意识提升，医疗体系面临着日益增长的服务压力。在医疗信息化进程中，电子病历的广泛应用为解决这一挑战提供了新的可能。为实现医疗数据的标准化管理和共享，世界卫生组织制定了国际疾病分类标准（International Classification of Diseases，ICD）。该标准将数万种疾病及其组合转化为规范的字母数字编码体系，为跨地区、跨机构的医疗数据交换与分析奠定了基础。
然而，将电子病历文本手动转换为ICD编码不仅耗时耗力，还容易出现人为失误。开发自动化的ICD编码系统，既能提高编码效率和编码一致性，也能为疾病研究和医疗管理提供更可靠的数据支持。基于这一背景，本评测构建了一个专门用于评估中文电子病历ICD诊断编码的数据集，该数据集基于脱敏病历数据而构建，共涉及5种主诊断和32种其他诊断ICD（ICD-10）编码，共计1485条数据。
组织者和联系人
- 评测组织者：管红娇、鹿文鹏（齐鲁工业大学（山东省科学院））；廉颖、陈国强（山东第一医科大学第一附属医院）
- 任务联系人：梁镇鹏（齐鲁工业大学硕士生，icdevaluator@163.com）
任务奖项
- 一等奖1名，奖金合计2500元；
- 二等奖1名，奖金合计1500元；
- 三等奖1名，奖金合计1000元。
赞助情况
- 本次评测奖金由上海联众网络信息股份有限公司赞助。
任务网址
https://github.com/QLU-NLP/icdevaluator
任务9：中医辨证辨病及中药处方生成评测
TCM Syndrome and Disease Differentiation and Prescription Recommendation
任务简介
中医作为中国传统医学的重要组成部分，历经数千年的发展，已形成独具特色的理论体系和诊疗方法，对中国乃至全球人民的医疗健康做出了重要贡献。辨证论治是中医认识疾病和治疗疾病的核心原则和方法，其基本思想是通过望、闻、问、切的方法，收集患者症状、舌苔、脉象等临床信息，通过分析、综合，辨清疾病的病因、病机，概括、判断为某种性质的证，进而制定个性化的治疗方案，开具合适的中药处方予以治疗。
为了推动人工智能在中医领域的应用、推动中医现代化的发展，本任务构建了一个新的用于评估中医辨证辨病及处方推荐的数据集。该数据集基于脱敏病历数据而构建，共涉及10种中医证型（下称证型）、4种中医疾病（下称疾病）、381种中药，共计1500条数据。任务旨在评估辨证论治的算法性能，包括两个子任务：
- 子任务1：中医多标签辨证辨病 基于给定的患者临床文档，判断患者所患的证型和疾病。具体需要参考任务网址。
- 子任务2：中药处方推荐 基于给定的患者临床文档，为患者推荐合适的中药处方。具体需要参考任务网址。
组织者和联系人
- 评测组织者：鹿文鹏、管红娇（齐鲁工业大学（山东省科学院））；王怡斐（山东中医药大学附属医院）
- 任务联系人：王聪（齐鲁工业大学硕士生，tcmtbosd@163.com）
任务奖项
- 本届评测将设置一、二、三等奖，由中国中文信息学会提供荣誉证书。
任务网址
https://github.com/QLU-NLP/TCM-Syndrome-and-Disease-Differentiation-and-Prescription-Recommendation
任务10：细粒度中文仇恨言论识别评测
Fine-grained Chinese Hate Speech Recognition Evaluation
任务简介
随着社交媒体的普及，用户生成内容呈现出爆炸性增长的态势，也滋生了仇恨言论的传播。仇恨言论是基于种族、宗教、性别、地域、性取向、生理等特征对特定个体或群体表达仇恨、煽动伤害的有害言论。在《中华人民共和国治安管理处罚法》以及《互联网信息服务管理办法》等多部法律法规中，均有禁止仇恨言论的规定。如何有效识别仇恨言论已经成为自然语言处理领域研究者广受关注的问题。细粒度中文仇恨言论识别评测旨在构建结构化的仇恨言论四元组，包括评论对象、论点、目标群体、是否仇恨，推动中文仇恨言论识别技术的发展，加强对不良网络行为的管控，助力文明网络的建设。
组织者和联系人
- 评测组织者：林鸿飞（大连理工大学）、杨亮（大连理工大学）、卢俊宇（大连理工大学博士生）、白泽文（大连理工大学博士生）、尹圣迪（大连理工大学硕士生）
- 任务联系人：白泽文（大连理工大学博士生，dlutbzw@mail.dlut.edu.cn）
任务奖项
- 本届评测将设置一、二、三等奖，由中国中文信息学会提供荣誉证书。
任务网址
https://github.com/DUTIR-Emotion-Group/CCL2025-Chinese-Hate-Speech-Detection
任务11：大学生汉字硬笔书写质量评测
Evaluation of the Quality of Handwritten Chinese Characters
任务简介
汉字书写能力是大学生语言文字应用能力的重要组成部分，体现了大学生人文素养。随着信息时代下电脑运用的普及，大学生的汉字书写能力在整体上明显减退，同时高校的书法教学受制于师资数量及评价手段，课后训练和评价反馈不够，这导致学生的书写水平无法得到有效提升。在汉字书写质量评价领域，传统的深度学习方法在提供细粒度、个性化的文本评价方面仍有不足。大语言模型凭借其强大的自然语言理解和生成能力，为解决这一问题提供了新的思路，大语言模型可以根据输入的特征生成详细、个性化的评价意见，模仿人类专家的评价风格。
“大学生汉字硬笔书写质量评测”任务旨在利用多模态大语言模型进行图像理解与文本生成，弥补现有评价方法在提供个性化的细粒度评价与反馈方面的不足，实现从单一的人工评价到个性化智能评价的跨越。本任务包括以下两个子任务：
- 子任务一：汉字书写质量评级（Handwritten Chinese Characters Grading） 基于给定的汉字图片，对其书写质量进行等级分类。
- 子任务二：汉字书写质量评语反馈 （Comment Generation of Handwritten Chinese Characters） 基于给定的汉字图片，对其书写质量生成个性化、细粒度的评语与反馈。
本任务使用的汉字书写样本数据均来自本校师范生参与书写训练实践项目所提交的作业，汉字书写质量等级及评语反馈均由专业书法教师进行人工标注。
组织者和联系人
- 评测组织者：王萌、胡智丹、田娜（江南大学）
- 任务负责及联系人：卢世聪（江南大学硕士生，zsdlsc@163.com）
任务奖项
- 本届评测将设置一、二、三等奖，由中国中文信息学会提供荣誉证书。
任务网址
https://github.com/xiaoxiaolu5137/Evaluation-of-the-Quality-of-Chinese-Characters
任务12：第一届面向中文语音的实体关系三元组抽取评测
Chinese Speech Entity-Relation Triple Extraction Task 2025
任务简介
传统的实体关系三元组抽取任务主要集中于书面文本，通过识别实体及其相互关系来构建结构化的知识图谱。然而，语音作为人机交互的主要形式之一，在智能助手、智能客服、语音搜索等诸多应用中发挥着日益重要的作用。因此，如何高效、准确地从语音数据中提取有价值的结构化信息成为研究的热点之一。
针对中文语音的实体关系三元组抽取任务（Chinese Speech Entity-Relation Triple Extraction Task，简称CSRTE）的目标，是从中文语音数据中实现端到端的自动识别与提取命名实体及其相互作用，进而构建出结构化的语音关系三元组（包括头实体、关系和尾实体）。该任务致力于提高中文语音关系三元组抽取的精确度和效率，增强系统在多样化语境及复杂语音环境中的适应性和鲁棒性，从而实现从语音输入到三元组输出的全自动处理流程。
在本次评测活动中，基于Common Voice 17和AISHELL两个语音识别数据集中的中文语音资源，我们精心标注了近20000条真人朗读的中文语音数据，其中实体的数量超过40000个，关系三元组数量超过20000个。通过此次评测，我们旨在推动中文语音信息抽取技术的进步，促进语音技术与自然语言处理技术的深度融合，为智能应用提供更为丰富和精确的基础数据支撑。
组织者和联系人
- 评测组织者：宁金忠（大连海事大学）、潘怡霖（大连海事大学）、张益嘉（大连海事大学教授）、帕尔哈提•吐拉江(大连理工大学/新疆师范大学)、孙媛媛（大连理工大学教授）、林鸿飞（大连理工大学教授）
- 任务联系人：宁金忠（ningjinzhong@dlmu.edu.cn）
任务奖项
- 一等奖0-1名，奖金合计6000元；
- 二等奖0-2名，奖金合计6000元；
- 三等奖0-4名，奖金合计6000元。
赞助情况
- 本次测评由 AutoDL 赞助。AutoDL.com 是目前全国最大的C端AI算力租用平台之一，面向“大 AI 圈”内的科研工作者和科技企业，提供弹性、省钱、好用的普惠AI云算力服务。
