[2026春季][T1-1-5] acoier

HONOR_CODE.md

@@ -0,0 +1,71 @@
+# 2026 春季启元人工智能大赛诚信守则（Honor Code）
+
+
+本人作为 2026 春季启元人工智能大赛（以下简称“比赛”）的参赛选手，郑重承诺严格遵守比赛规则及本诚信守则，秉持诚信、公正、廉洁的参赛原则，自觉维护比赛的公平性与严肃性。本人充分理解并认可，违反本准则将导致参赛资格被取消、比赛成绩作废等相应后果，且愿意承担由此产生的一切责任。
+
+## 一、参赛诚信承诺
+
+1. 本人保证所提交的赛题PR（Pull Request）中包含的算子实现代码及相关文档，均为本人（及参赛团队，如为团队参赛）在比赛期间独立完成或在明确标注参考来源的基础上进行开发，不存在任何欺诈、抄袭、作弊行为。
+
+2. 本人承诺主动、全面、真实地披露赛题实现过程中所有参考的外部资源，尤其是开源代码资源，不隐瞒任何可能影响比赛公平性的信息。
+
+3. 本人保证不采用任何不正当手段获取比赛优势，包括但不限于窃取其他参赛选手的代码成果、利用非比赛允许的工具或技术、与他人串通作弊等。
+
+## 二、参考资源说明
+
+本人确认已按比赛要求，将本次赛题实现过程中涉及的参考资源信息单独撰写至`REFERENCE.md`文件中，该文件将与本诚信守则一同作为PR附件提交。`REFERENCE.md`需根据实际参考情况，按以下要求完整填写，信息不完整或虚假填写将视为违反本准则：
+
+**情况1：无参考外部开源代码及核心实现思路**
+
+`REFERENCE.md`中需明确声明：“本次赛题提交的算子代码、核心算法逻辑及实现方案均为本人（及参赛团队）独立设计与开发，未参考任何外部开源项目、技术文档中的核心代码片段或实现思路，未接受任何第三方的技术指导或代码支持。”
+
+**情况2：有参考外部开源代码及相关资源**
+
+对每个参考资源提供以下信息陈述： 
+1. 参考开源项目/资源名称
+
+2. 参考资源链接（GitHub/Gitee/论文/技术文档等）
+
+3.  参考的具体内容（请明确说明参考的代码片段、算法逻辑、实现思路等，需标注对应资源的具体位置，如文件路径、代码行数等）
+
+4. 本人对参考内容的修改与优化说明：（请详细说明在参考基础上，本人所做的独立开发、修改、优化工作，体现自身技术贡献）
+
+5. 若是开源项目，提供参考资源的开源协议类型：（如MIT、Apache 2.0、GPL等）
+
+6. 其他需要补充说明的信息
+
+
+## 三、禁止行为确认
+
+本人明确知晓并承诺避免以下违反比赛公平性的行为，若存在以下任一情况，自愿接受比赛组委会的相应处罚：
+
+1. 未经授权复制、抄袭他人（包括其他参赛选手、开源项目、商业代码）的代码、算法或技术方案，且未进行明确标注；
+
+2. 隐瞒或虚假披露参考资源信息，包括遗漏重要参考来源、伪造参考内容说明等；
+
+3. 与其他参赛选手或第三方串通，进行代码共享、成果交换等违规协作；
+
+4. 利用比赛平台漏洞、技术缺陷或非比赛允许的工具获取不正当利益；
+
+5. 伪造比赛相关证明材料、提交虚假信息；
+
+6. 其他违反比赛规则及公序良俗的不诚信行为。
+
+
+## 四、责任与确认
+
+1. 本人充分理解，比赛组委会将对所有提交的PR进行代码溯源、参考信息核查等公平性审查，若发现本人存在违反本准则的行为，有权随时取消本人的参赛资格、作废比赛成绩，情节严重的将在比赛相关平台进行公示。
+
+2. 若因本人违反本准则导致比赛争议或第三方权益受损（如开源协议侵权等），本人将独立承担全部法律责任及相关损失，与比赛组委会无关。
+
+3. 本人确认已仔细阅读并完全理解本诚信守则的全部内容，自愿签署本准则，接受比赛组委会的监督与审查。
+
+## 五、签署信息
+
+参赛选手姓名（团队参赛需填写所有成员姓名）
+
+    李浩坤
+
+签署日期
+
+___2026___年__6__月__17__日

src/ntops/kernels/__init__.py

@@ -21,10 +21,14 @@
     isnan,
     layer_norm,
     le,
+    linspace,
+    logit,
+    logspace,
     lt,
     max_pool2d,
     mm,
     mul,
+    nan_to_num,
     ne,
     neg,
     pow,
@@ -39,6 +43,7 @@
     softmax,
     sub,
     tanh,
+    trapezoid,
 )
 
 __all__ = [
@@ -64,10 +69,14 @@
     "isnan",
     "layer_norm",
     "le",
+    "linspace",
+    "logit",
+    "logspace",
     "lt",
     "max_pool2d",
     "mm",
     "mul",
+    "nan_to_num",
     "ne",
     "neg",
     "pow",
@@ -82,4 +91,5 @@
     "softmax",
     "sub",
     "tanh",
+    "trapezoid",
 ]

src/ntops/kernels/linspace.py

@@ -0,0 +1,23 @@
+import functools
+
+import ninetoothed.language as ntl
+from ninetoothed import Tensor
+
+from ntops.kernels.element_wise import arrangement
+
+
+def application(start, idx, step, output):
+    output = start + idx * step  # noqa: F841
+
+
+def premake(ndim, dtype=None, block_size=None):
+    arrangement_ = functools.partial(arrangement, block_size=block_size)
+
+    tensors = (
+        Tensor(ndim, dtype=dtype),
+        Tensor(ndim, dtype=dtype),
+        Tensor(ndim, dtype=dtype),
+        Tensor(ndim, dtype=dtype),
+    )
+
+    return arrangement_, application, tensors

src/ntops/kernels/logit.py

@@ -0,0 +1,28 @@
+import functools
+
+import ninetoothed.language as ntl
+from ninetoothed import Tensor
+
+from ntops.kernels.element_wise import arrangement
+
+
+def application(input, output, eps):
+    one = ntl.cast(1, ntl.float32)
+    eps_f32 = ntl.cast(eps, ntl.float32)
+    input_f32 = ntl.cast(input, ntl.float32)
+
+    clamped = ntl.clamp(input_f32, eps_f32, one - eps_f32)
+
+    output = ntl.log(clamped / (one - clamped))  # noqa: F841
+
+
+def premake(ndim, dtype=None, block_size=None):
+    arrangement_ = functools.partial(arrangement, block_size=block_size)
+
+    tensors = (
+        Tensor(ndim, dtype=dtype),
+        Tensor(ndim, dtype=dtype),
+        Tensor(ndim, dtype=dtype),
+    )
+
+    return arrangement_, application, tensors

src/ntops/kernels/logspace.py

@@ -0,0 +1,25 @@
+import functools
+
+import ninetoothed.language as ntl
+from ninetoothed import Tensor
+
+from ntops.kernels.element_wise import arrangement
+
+
+def application(start, idx, step, logbase, output):
+    linear = start + idx * step
+    output = ntl.exp(linear * logbase)  # noqa: F841
+
+
+def premake(ndim, dtype=None, block_size=None):
+    arrangement_ = functools.partial(arrangement, block_size=block_size)
+
+    tensors = (
+        Tensor(ndim, dtype=dtype),
+        Tensor(ndim, dtype=dtype),
+        Tensor(ndim, dtype=dtype),
+        Tensor(ndim, dtype=dtype),
+        Tensor(ndim, dtype=dtype),
+    )
+
+    return arrangement_, application, tensors

src/ntops/kernels/nan_to_num.py

@@ -0,0 +1,30 @@
+import functools
+
+import ninetoothed.language as ntl
+from ninetoothed import Tensor
+
+from ntops.kernels.element_wise import arrangement
+
+
+def application(input, output):
+    input_f32 = ntl.cast(input, ntl.float32)
+    max_finite = ntl.cast(3.4028234663852886e+38, ntl.float32)
+    min_finite = ntl.cast(-3.4028234663852886e+38, ntl.float32)
+
+    is_nan = input_f32 != input_f32
+    is_posinf = input_f32 > max_finite
+    is_neginf = input_f32 < min_finite
+
+    result = ntl.where(is_nan, ntl.cast(0.0, ntl.float32), input_f32)
+    result = ntl.where(is_posinf, max_finite, result)
+    result = ntl.where(is_neginf, min_finite, result)
+
+    output = result  # noqa: F841
+
+
+def premake(ndim, dtype=None, block_size=None):
+    arrangement_ = functools.partial(arrangement, block_size=block_size)
+
+    tensors = (Tensor(ndim, dtype=dtype), Tensor(ndim, dtype=dtype))
+
+    return arrangement_, application, tensors

src/ntops/kernels/trapezoid.py

@@ -0,0 +1,29 @@
+import functools
+
+import ninetoothed
+import ninetoothed.language as ntl
+from ninetoothed import Tensor
+
+from ntops.kernels.reduction import arrangement
+
+
+def application(areas, output):
+    dtype = output.dtype.dtype
+    total = ntl.cast(0, ntl.float32)
+
+    for i in range(areas.shape[0]):
+        total = total + ntl.cast(ntl.sum(areas[i]), ntl.float32)
+
+    for j in range(output.shape[0]):
+        output[j] = ntl.cast(total, dtype)
+
+
+def premake(ndim, dtype=None, block_size=None):
+    arrangement_ = functools.partial(arrangement, dim=-1, block_size=block_size)
+
+    tensors = (
+        Tensor(ndim, dtype=dtype, other=0),
+        Tensor(ndim, dtype=dtype),
+    )
+
+    return arrangement_, application, tensors

src/ntops/torch/__init__.py

@@ -20,11 +20,15 @@
 from ntops.torch.isnan import isnan
 from ntops.torch.layer_norm import layer_norm
 from ntops.torch.le import le
+from ntops.torch.linspace import linspace
+from ntops.torch.logit import logit
+from ntops.torch.logspace import logspace
 from ntops.torch.lt import lt
 from ntops.torch.matmul import matmul
 from ntops.torch.max_pool2d import max_pool2d
 from ntops.torch.mm import mm
 from ntops.torch.mul import mul
+from ntops.torch.nan_to_num import nan_to_num
 from ntops.torch.ne import ne
 from ntops.torch.neg import neg
 from ntops.torch.pow import pow
@@ -39,6 +43,7 @@
 from ntops.torch.softmax import softmax
 from ntops.torch.sub import sub
 from ntops.torch.tanh import tanh
+from ntops.torch.trapezoid import trapezoid
 
 __all__ = [
     "abs",
@@ -63,11 +68,15 @@
     "isnan",
     "layer_norm",
     "le",
+    "linspace",
+    "logit",
+    "logspace",
     "lt",
     "matmul",
     "max_pool2d",
     "mm",
     "mul",
+    "nan_to_num",
     "ne",
     "neg",
     "pow",
@@ -82,4 +91,5 @@
     "softmax",
     "sub",
     "tanh",
+    "trapezoid",
 ]

src/ntops/torch/linspace.py

@@ -0,0 +1,29 @@
+import torch
+
+import ntops
+from ntops.torch.utils import _cached_make
+
+
+def linspace(start, end, steps, *, dtype=None, device=None, layout=None):
+    if device is None:
+        device = "cuda"
+    if dtype is None:
+        dtype = torch.float32
+
+    output = torch.empty(steps, dtype=dtype, device=device)
+
+    compute_dtype = torch.float32 if dtype == torch.float16 else dtype
+    start_t = torch.full((steps,), start, dtype=compute_dtype, device=device)
+    idx_t = torch.arange(steps, dtype=compute_dtype, device=device)
+
+    if steps > 1:
+        step_size = (end - start) / (steps - 1)
+    else:
+        step_size = 0.0
+
+    step_t = torch.full((steps,), step_size, dtype=compute_dtype, device=device)
+
+    kernel = _cached_make(ntops.kernels.linspace.premake, output.ndim)
+    kernel(start_t, idx_t, step_t, output)
+
+    return output

src/ntops/torch/logit.py

@@ -0,0 +1,17 @@
+import torch
+
+import ntops
+from ntops.torch.utils import _cached_make
+
+
+def logit(input, eps=None):
+    if eps is None:
+        eps = 0.0
+
+    output = torch.empty_like(input)
+    eps_t = torch.full_like(input, eps)
+
+    kernel = _cached_make(ntops.kernels.logit.premake, input.ndim)
+    kernel(input, output, eps_t)
+
+    return output

src/ntops/torch/logspace.py

@@ -0,0 +1,33 @@
+import torch
+
+import ntops
+from ntops.torch.utils import _cached_make
+
+
+def logspace(start, end, steps, *, dtype=None, device=None, layout=None):
+    if device is None:
+        device = "cuda"
+    if dtype is None:
+        dtype = torch.float32
+
+    output = torch.empty(steps, dtype=dtype, device=device)
+
+    compute_dtype = torch.float32 if dtype == torch.float16 else dtype
+    start_t = torch.full((steps,), start, dtype=compute_dtype, device=device)
+    idx_t = torch.arange(steps, dtype=compute_dtype, device=device)
+
+    if steps > 1:
+        step_size = (end - start) / (steps - 1)
+    else:
+        step_size = 0.0
+
+    step_t = torch.full((steps,), step_size, dtype=compute_dtype, device=device)
+
+    import math
+    log10 = math.log(10)
+    logbase_t = torch.full((steps,), log10, dtype=compute_dtype, device=device)
+
+    kernel = _cached_make(ntops.kernels.logspace.premake, output.ndim)
+    kernel(start_t, idx_t, step_t, logbase_t, output)
+
+    return output