赛题二说明更新

README.md

@@ -27,13 +27,13 @@
 
 ### 赛题二：基于 AI Agent 开发范式的国产 GPU 大模型推理算子库优化
 
-大模型推理高并发、长序列、高调用频次的特性，让 FlashInfer、FlashAttention、Fused MOE 等核心算子，直接决定吞吐、延迟与显存开销，左右每 Token 综合成本。
+大模型推理具有高并发、长序列、高调用频次等特点，FlashInfer、FlashAttention、Fused MoE 等核心算子直接决定模型服务的吞吐、延迟与显存开销，影响单 Token 综合推理成本。
 
 本赛题面向沐曦国产 GPU 及 MXMACA 软件栈，鼓励参赛团队构建或使用 AI Agent / Skill 工作流，围绕推理算子库开展代码理解、算子迁移、性能分析、Kernel 优化、自动调优、Benchmark 验证和多轮迭代，探索“Agent 驱动算子优化”的新型开发范式。
 
 参赛作品应体现 AI Agent 在底层算子优化过程中的实际参与能力，而不是仅停留在概念说明、文档生成或简单代码补全层面。参赛团队需要理解大模型推理算子库的计算逻辑、国产 GPU / MXMACA 软件栈的开发方法，以及 AI Agent / Skill 优化工作流，在保证正确性、稳定性和可复现性的前提下，提升相关算子或端到端推理链路在国产 GPU 上的执行性能。
 
-参赛选手可围绕以下推理算子库或核心算子，选择一类或多类任务开展优化工作：
+参赛团队可围绕以下推理算子库或核心算子，选择一类或多类任务开展优化工作：
 
 - **FlashInfer 关键算子迁移与优化**：面向 Prefill、Decode、Paged KV Cache、MLA Attention 等推理场景，完成 MACA 平台适配与性能优化；
 - **FlashAttention 关键算子迁移与优化**：围绕 `flash_attn_with_kvcache` 等核心接口，提升长序列场景下的 Attention 计算性能；