组合块与 ONNX 子图，用同一把尺子判定

Conv-BN-ReLU、Transformer Block 这类真实负载形态，单算子全过也可能整段 不可用。下载组合用例或上传 ONNX 模型（服务端切子图、保留 float64 金标准）， 在你自己的硬件 / 仿真器上执行并回传，平台独立判定。

—覆盖组合
—组合用例
—输入分布
—期望输出元素
float64金标准精度
—金标准版本

适用范围：算子级契约回归——单用例最大 16,384 元素，用于验证算子实现与量化方案的数值一致性； 不覆盖大 shape / 长序列 / 大 batch 的稳定性，也不作性能验收。 报告中的 latency 与 GFLOPS 若出现，均为提交方自报，引擎不测量、不复算。 普通上传不核验运行硬件（由提交方自证）；需要设备级证据时走 HIL 设备证明——板卡私钥对本次挑战码与输出哈希签名。

  1. 1

    选择组合用例，或上传 ONNX 子图

    上传 ONNX 模型，服务端切子图

    模型只用于切子图与生成 float64 金标准，服务端保存金标准旁路； 回传的包按内容哈希（graph_id）匹配，不依赖你保留原始模型。

    正在加载算子目录…
  2. 2

    在本地运行被测算法

    解压向量包后，使用 inputs/ 中的原始输入在你的硬件或 仿真器上计算（参数张量同样位于 inputs/，禁止修改）， 再将结果按 manifest 声明写入 outputs/。

    • 字节序 / 排列：小端（little-endian）、行优先（row-major）
    • 输出命名： outputs/<case_id>__output.bin （扩展名也可用 .npy / .npz / .csv / .json，csv/json 按 manifest 形状自动重塑）
    • 回传方式：保持 zip 目录结构原样打包回传即可
    • 确定性复测（可选）：用相同输入再跑一遍，把第二次结果按同一 命名写入 outputs_repeat/。两次结果不一致会判为 非确定性并计入报告，该项用于暴露竞争、未初始化存储等硬件问题
    Python 读取 .bin 输入 / 写出 .bin 输出 示例 
    
        
    
        
    
          C99 读取小端 float64 输入 示例

    
        
    
        
    
          CI 接入（下载 → 判定 → 徽章）

    
        
    
      
    
    
    3. 

    
    
  3. 
      
    3
        
    上传回传产物
    
      
    
        
    
          
          
        
    
        
    
          上传含 outputs/ 的 zip 产物，引擎将按该 dtype 的 cos / rel-L2 双门限判定（门限见文档中心第 7 节）。
        
    
        
    
          
    点击选择 或将回传 zip 拖到此处
    
          
    仅接受 .zip，大小上限以服务端目录为准
    
          
        
    
        
    
          
          
        
    
        
    
      
    
    
    4.