分类： 赛事动态

2026年NOAI（全国青少年人工智能奥林匹克竞赛）水平测试已正式落幕。作为国内AI教育领域最具权威性的选拔性考试之一，本次测试的命题方向直接反映了未来AI拔尖人才的核心能力要求。本文基于官方发布的真题信息，深度解析试卷中的典型题目、易错陷阱及命题逻辑，为备赛学生提供清晰的复盘视角。

一、整体命题趋势：从“工具调用”转向“原理深挖”

2026年NOAI水平测试（第一轮）在命题上展现出明显的“去应用化”和“强理论化”特征。试卷不再满足于考察学生对AI库函数的简单调用，而是深入至算法原理、模型评估及伦理思考层面。全卷共23题，覆盖单选、概念解释、程序补全和编程解决四大题型，总分100分，其中机器学习与深度学习相关题目分值占比超过70%，确立了其在选拔中的核心地位。

二、典型题目深度解析：四大能力维度的破题逻辑

1. 算法与数据结构：梯度下降的工程实现（第21题）

• 题目类型：程序补全题（10分）

• 考察核心：梯度下降算法的完整实现流程，包括学习率控制、迭代终止条件及参数更新逻辑。

• 易错点分析：考生容易混淆批量梯度下降（BGD）与随机梯度下降（SGD）的更新公式，或在循环终止条件的设置上出现逻辑漏洞（如忽略收敛阈值）。

• 能力映射：此题直接考察学生对优化算法底层原理的理解，而非仅仅调用model.fit()。备赛需重点手推梯度下降公式，并完成至少一次从零开始的代码实现。

2. 机器学习：模型评估与过拟合的辩证理解（第12、17题）

• 题目类型：单选题 + 概念解释题

• 考察核心：

  • 第12题：通过学习曲线判断模型是否过拟合。需理解训练集与验证集误差随样本量变化的趋势。

  • 第17题：解释K折交叉验证的原理及其在防止过拟合中的作用。

• 能力映射：要求学生建立“模型-数据-评估”的闭环思维。死记硬背概念无法应对此类题目，需结合具体案例（如多项式回归的过拟合现象）进行阐述。

3. 深度学习：二维卷积的手写实现（第22题）

• 题目类型：编程解决问题（15分）

• 考察核心：在不使用深度学习框架（如PyTorch）高级API的前提下，使用基础Python（如NumPy）实现二维卷积操作。

• 易错点分析：步长（Stride）和填充（Padding）的处理是主要失分点。部分考生对卷积核滑动的边界条件考虑不周。

• 能力映射：这是区分“调包侠”与“懂原理者”的分水岭题。备赛需熟练掌握卷积的数学定义，并练习通过循环实现特征图计算。

4. AI伦理与应用：AIGC检测与算法偏见（第8、20题）

• 题目类型：单选题 + 程序补全题

• 考察核心：

  • 第8题：分析简历筛选算法中产生性别偏见的根本原因（历史数据偏差）。

  • 第20题：补全基于统计特征（如困惑度、突发性）的AIGC文本检测算法。

• 能力映射：考察学生的跨学科素养，要求其能将技术能力与社会伦理问题结合思考，并具备将理论检测方法转化为代码的工程能力。

三、失分重灾区与避坑指南

1. 概念表述的“精准性”陷阱

概念解释题（如“残差连接”、“BP算法”）中，使用模糊的生活化语言（如“残差就是剩下的”）是主要失分原因。阅卷标准要求术语准确、逻辑链条完整。例如，解释残差连接需说明其解决梯度消失问题的数学机制（H(x)=F(x)+x），而非仅描述“跳了一层”。

2. 编程题的“边界条件”忽视

在程序补全与编程题中，K值超限（如第21题中K大于列表长度）是高频错误。许多考生默认输入K值合法，导致代码鲁棒性不足。正确的做法是增加条件判断，处理K值异常情况。

3. 排序逻辑的“方向性”混淆

在涉及Top-K筛选的题目中（如第10题），考生易混淆升序与降序。正确的逻辑是sorted(scores, reverse=True)[:K]，而非默认的升序排列。这反映了对问题需求解读的粗心。

四、2027备赛建议：构建“金字塔”式知识体系

1. 塔基（数学与编程）：夯实线性代数、概率论及Python/NumPy基础。建议通过手写矩阵运算、分布采样等练习巩固。

2. 塔身（ML核心）：深入理解偏差-方差分解、正则化、交叉验证等概念，并能用代码实现线性回归、逻辑回归等基础模型。

3. 塔尖（DL前沿）：精读Transformer、ResNet等现代架构的原始论文，完成“从零搭建”的代码实践，并关注AI for Science等交叉领域。

   NOAI新赛季备赛已开启，扫码领取NOAI备赛资料

   欢迎咨询【NOAI竞赛辅导课程】

   

   

   

2026年3月22日，NOAI第一轮水平测试（以下简称“R1”）正式落幕。作为IOAI中国区选拔的首道关卡，此次考试的命题方向与难度变化备受关注。本文基于考生真实反馈、多考点真题回忆，从考试概况、真题细节、后续安排三个层面展开2026年NOAI第一轮水平测试考后复盘，为关注赛事进展的群体提供客观信息。

一、2026年NOAI R1考试概况：时间与考点分布

本次R1考试于3月22日9:00-11:00举行，全国设北京、上海、江苏、广东、浙江、四川、安徽七大考点，具体包括：

• 北京：北京市第八中学、北京市新英才学校（两大考点，人数较多）；

• 上海：华东师范大学第二附属中学（约150人）；

• 江苏：南京外国语学校（约200人）、南京市第一中学等；

• 其他地区：广州南沙民心港人子弟学校（约60人）、合肥中科大附中科学岛学校（约20人）等。

考试形式为线下纸笔考，不涉及上机，总分100分，时长120分钟，题型包括单项选择（约40分）、代码补全（约20分）、编程大题（约40分）（具体分值分布因考生回忆略有差异）。

二、2026年NOAI R1真题细节：从选择题到编程大题

结合考生考后反馈与多源整理，2026年R1的真题可拆解为三大板块，核心特点是“重逻辑、强数学、去记忆”：

1. 单项选择题：从“概念记忆”到“场景应用”

• 传统考点：混淆矩阵（考察TP/TN/FP/FN计算）、过拟合（结合实例判断模型问题）、算法偏见（AI伦理场景分析）；

• 新增难点：

  • 正态分布计算（给定均值μ=0、方差σ²=1，求P(X<1.96)）；

  • 偏微分方程（简单的一阶线性PDE求解，考生反馈“从未见过”）；

  • 残差连接（ResNet核心概念，问“残差块的作用”，部分考生表示“不确定定义”）。

2. 代码补全题：梯度下降与混淆矩阵

• 第一题：混淆矩阵计算（for循环嵌套多层，考察二维数组遍历与统计）；

• 第二题：梯度下降求二次函数最小值（函数为f(x)=x2−4x+3，要求：①对f(x)求导；②用梯度下降法更新$x$（学习率η=0.1），迭代10次后输出结果）。

3. 编程大题：卷积与线性回归全流程

• 第一题：卷积算法完整实现（输入3×3灰度图、2×2卷积核，输出2×2特征图，需手动计算卷积过程中的乘加操作）；

• 第二题：线性回归预测（数据集含“学习时间（小时）”与“数学成绩”，要求：①数据清洗（去除异常值）；②划分训练集/测试集；③用sklearn实现线性回归；④计算MSE（均方误差）；⑤保存模型）。

三、2026年NOAI R1与往届对比：三年命题的“变与不变”

对比2024-2026年三届R1考试，可总结“两变一不变”：

• 变1：考察重心从“基础覆盖”到“深度筛选”

  2024年考“Python列表切片”“CNN卷积运算示意图”；2025年考“欠拟合原因分析”“sklearn线性回归API补全”；2026年则取消Python语法题，转向“数学推导+代码实现”（如求导、卷积手写）。

• 变2：辅助信息从“详细引导”到“完全移除”

  2024-2025年编程题会提供“API参数说明”“代码框架提示”（如2025年明确给出train_test_split(test_size=0.2, random_state=42)）；2026年则无任何辅助，要求考生“自主记忆+灵活应用”。

• 不变：核心知识点“年年考、换考法”

  混淆矩阵（2024选择→2025概念→2026代码）、梯度下降（2024概念→2025参数更新→2026求导+实现）、CNN（2024 LeNet-5补全→2025验证码识别→2026卷积手写）——核心考点稳定，但考察深度逐年递增。

四、2026年NOAI后续赛事安排：从R1到IOAI的时间线

根据官方规划，2026年NOAI后续赛事安排如下（具体以官方通知为准）：

1. 成绩公布与晋级：R1成绩将于近期公布，全国前200名晋级NOAI高中组中国站（R2）；

2. 科学训练营（可选）：2026年6月18日-20日，线下举办（地点待定），由专家带队通过“线上先导课+线下集训”备战R2；

3. 中国站（R2）：2026年6月21日，为期1天，采用上机实践形式，考察Python+AI工具框架（Sklearn、PyTorch）的实际应用，需完成“真实AI问题解决+实验报告撰写”；

4. IOAI国际站：2026年7-8月，阿联酋阿布扎比举办，从中国站优胜者中选8人组成代表队，参与个人与团队挑战。

五、2026年NOAI R1考后提示

此次考试的“难度升级”并非“刻意刁难”，而是NOAI作为“IOAI选拔赛”的必然选择——复赛（R2）为上机实操，需解决真实AI问题，若初赛选出的选手连“求导都不会”“API参数记不住”，将无法适应后续挑战。

对于已参加R1的考生，建议：

• 放平心态：题目难度对所有考生一致，“数学题多”“API没给”是统一调整，无需过度焦虑；

• 关注后续：若晋级R2，需提前熟悉Sklearn（线性回归、K-fold）、PyTorch（卷积层、反向传播）等工具，从“纸笔代码”转向“上机调试”。

以上为2026年NOAI第一轮水平测试考后复盘的核心信息。作为聚焦青少年AI能力的赛事，NOAI的命题调整本质是“以考促学”——推动学习者从“记知识点”转向“用知识点”，这或许正是AI竞赛的核心价值所在。

NOAI新赛季备赛已开启，扫码领取NOAI备赛资料

欢迎咨询【NOAI竞赛辅导课程】

2026年3月22日，NOAI（国际人工智能奥林匹克竞赛中国区选拔赛）第一轮水平测试（R1）在全国多考点同步举行。作为面向9-12年级中学生的AI领域高水平赛事，此次考试因命题方向调整引发广泛关注。本文基于考生真实反馈与真题梳理，从考试内容、难度变化、核心考点三个维度展开2026年NOAI R1考后分析，为关注青少年AI竞赛的群体提供参考。

一、2026年NOAI R1考试基本信息

本次考试采用线下纸笔考形式，时长120分钟，总分100分，题型涵盖单项选择题、Python编程题、人工智能问题解决题。考点覆盖北京（北京市第八中学、北京市新英才学校）、上海（华东师范大学第二附属中学）、江苏（南京外国语学校等）、广东、浙江等多地，其中南京考点人数约200人，上海考点约150人，合肥考点约20人（数据源自考生家长反馈）。

从考生反馈来看，此次考试与前两届（2024、2025年）相比，命题逻辑发生显著转变：从“基础概念覆盖”转向“深度能力筛选”，核心目标是选拔能适应后续上机实践的选手。

二、2026年NOAI R1难度变化：三年命题轨迹与核心调整

对比2024-2026年三届真题，NOAI R1的命题方向呈现清晰的“能力升级”轨迹：

• 2024年（第一届）：偏基础，覆盖AI三大学派、NLP、KNN、梯度下降等概念，编程题提供完整代码框架与API文档，侧重“引导式考察”；

• 2025年（第二届）：深化概念理解，选择题减少但难度提升，新增“欠拟合分析”“反向传播原理”等场景化问题，代码题仍附API说明；

• 2026年（第三届）：彻底转向“能力筛选”，核心调整有三：

  1. 取消Python语法基础题：前两年选择题中“列表切片、字典操作”等基础语法题全部删除，不再考察纯记忆性内容；

  2. 强化数学能力要求：新增求导、正态分布（均值与方差计算）、偏微分方程等数竞相关考点，编程大题需结合数学推导（如梯度下降求二次函数最小值）；

  3. 移除API文档依赖：往年编程题会明确给出model.fit、train_test_split等函数的参数说明，2026年则要求考生自主记忆函数参数顺序与用法。

正如考生反馈：“比去年难了两倍至少”“Python语法题没了，数学题变多，API记不住全乱写了”——命题组通过“去引导化”与“提数学门槛”，直接筛选出具备扎实基础与灵活应用能力的选手。

三、2026年NOAI R1核心考点：真题复盘与高频模块

结合考生回忆与多源反馈，2026年NOAI R1的考点可归纳为四大核心模块，覆盖AI基础、算法、数学与深度学习：

1. 人工智能基础概念

• 选择题高频：混淆矩阵（代码补全第一题+选择题双考）、过拟合与欠拟合、算法偏见（AI伦理）、偏差与方差权衡；

• 新增考点：残差连接（ResNet相关概念，考生普遍反映“超纲”，但实际为深度学习进阶内容）。

2. 经典算法与数据结构

• 必考算法：快速排序（选择题）、二分查找（虽未直接考程序补全，但为后续编程基础）；

• 新增：一维正态分布计算（数竞相关，考察概率分布基础）。

3. 机器学习与编程实践

• 核心大题：

  • 卷积算法完整实现（计算机视觉基础，连续三年为大题主角）；

  • 线性回归全流程（根据学生学习时间预测数学成绩，含数据预处理→回归建模→方差计算→结果保存）；

  • 梯度下降求二次函数最小值（代码补全第二题，要求对函数求导并更新参数）。

4. 深度学习进阶

• 反向传播原理（深度学习核心，考察链式法则与梯度计算）；

• K-fold交叉验证（模型评估方法，高频考点）。

四、2026年NOAI R1考后启示：命题趋势与备赛建议

从此次考试可清晰看到NOAI的命题逻辑：初赛不仅是“知识筛选”，更是“复赛预演”——后续中国站（R2）为上机实操，需用PyTorch解决真实AI问题，因此初赛通过“去语法题、强数学、无API”的调整，提前筛选具备“记忆+理解+应用”能力的选手。

对于后续备赛者，建议关注三点：

1. 夯实数学基础：重点掌握求导、概率分布（正态/伯努利）、线性代数（矩阵运算），这些是深度学习与机器学习的底层支撑；

2. 脱离API依赖：自主记忆sklearn（线性回归、K-fold）、PyTorch（卷积层、反向传播）等工具的核心函数参数与用法；

3. 强化实战能力：针对卷积算法、线性回归等高频大题，动手实现完整代码（而非仅看解析），培养“从问题到代码”的转化能力。

   NOAI新赛季备赛已开启，扫码领取NOAI备赛资料

   欢迎咨询【NOAI竞赛辅导课程】

   

   

   

【学术大纲】NOAI 2026

2025年10月修订，版本号V1.5

修订说明

1. 本次更新经NOAI科学委员会专家审定，作为[2026]年度活动的正式大纲发布;
2. B区神经网络的大部分描述都从“知道”上升为“理解”;
3. B区神经网络增加“知道典型的大语言模型” 描述。
   

   ---

一、  目标

本大纲列举了NOAI学术活动的参与者在活动中需要熟悉或掌握的技能和知识。它将作为NOAI科学委员会开发任务题目的指南，同时也帮助参与者有效地对活动进行学术准备。为了保持大纲的时效性，本文件内容正式发布后每年重新修订一次。每次修订将由科学教育委员会共同讨论并对内容进行删增或提升、降低掌握程度的要求。

二、  内容说明

本大纲分为4个组成部分，其中A, B部分针对NOAI中国区学术活动的第一轮即水平测试轮，要求参与者通过预先学习，掌握A, B中所要求的知识和技能。大纲的C, D部分是NOAI中国区学术活动的第二轮即人工智能应用实践轮的考查要求。

注意：

• 本大纲中所提及的人工智能指向科学共同体认可的学科边界之内的人工智能概念，是其适合高中生水平的子集，以机器学习、深度学习领域为主，以数据驱动为主要特征。此人工智能并非“泛人工智能”，不包括开源硬件、教育机器人、图形化编程等领域。
• 其他学科核心素养要求：选手需具备《普通高中课程方案》规定的全部核心素养和基本能力。其中，对于数学、物理、化学、生物、信息技术学科，需达到对应学科《普通高中课程标准》中 “希望大学选择人工智能相关专业” 方向的必修（含选择性必修）与选修内容及能力要求。

三、  大纲细则

A.一般性计算机技能

NOAI学术活动要求参与者具备最基本的Python编程能力，能够使用Python编写程序解决实际问题（例如简单数据处理、简单算法问题）。

• 熟练掌握Python基本语法，包括：算数运算、关系运算、输入输出语句等。
• 熟练掌握基本的程序结构，包括：顺序、分支、循环等。
• 会使用Python基本数据结构及其基本操作，包括：字符串(String)、列表(List)、字典(Dictionary)、元组(Tuple)等。
• 理解函数(Function)、模块(Module)和包(Package)的概念，能调用Python的内置函数和标准模块例如os, math, random, sys等，能自定义函数。
• 在文档的帮助下，能使用第三方库解决简单问题。
• 能读懂代码，在文档的帮助下能使用Python语言编写排序(Sorting)、查找(Searching)等简单算法。

B.人工智能基础知识

NOAI学术活动要求参与者对人工智能有一定了解，理解人工智能的基本方法和基本概念。

• 理解机器学习的基本方法范式，能对训练和推理过程进行描述。
• 理解关键概念中涉及的机器学习、深度学习方法所适用的典型问题范围。
• 能在文档的帮助下，尝试解决机器学习、深度学习的简单问题，其中编程实践中涉及第三方库的调用，题干中将给出调用方法。

B区考核中主要涉及的关键概念包括：

• 人工智能：
  • 知道连接主义(Connectionism)、符号主义(Symbolism)、行为主义(Behaviourism)和图灵测试(Turing Test)。
  • 理解人工智能技术带来的风险问题与伦理挑战，如数据隐私、算法偏见、人工智能的责任归属等问题。树立正确的价值观，能够通过案例分析讨论这些问题背后的原因、影响及应对措施。
• 机器学习：
  • 理解监督学习(Supervised Learning)、无监督学习(Unsupervised Learning)，能够描述两者的区别和联系。
  • 知道强化学习(Reinforcement Learning)的概念及其典型应用场景。
  • 理解回归(Regression)、分类(Classification)、聚类(Clustering)，知道回归、分类和聚类的常见算法。
  • 理解线性回归(Linear Regression)、逻辑（斯蒂）回归(Logistic Regression)的基本原理，能对其进行简要描述。
  • 知道线性(Linear)与非线性(Non-linear)。
  • 知道机器学习中的基本数学概念，包括：概率论基本知识；常见分布，例如正态（高斯）分布(Normal/Gaussian Distribution)；统计学基础知识；距离的定义。
  • 知道残差(Residual)、偏差(Bias)、标准差(Standard Deviation)。
  • 理解模型评估(Module Evaluation)和模型评估的常用指标：混淆矩阵(Confusion Matrix)、精确率(Precision)、准确率(Accuracy)、召回率(Recall)、交叉验证(Cross Validation)、F1分数(F1-Score)等，能够根据实际场景选取或者设计合适的模型评估指标并计算。
  • 理解欠拟合(Underfitting)、过拟合(Overfitting)、正则化(Regularization)，并能对其含义进行简要描述。
  • 理解集成学习(Model Ensembles)的概念，知道梯度提升(Gradient Boosting)、Bagging、随机森林(Random Forest)的核心思想。
• 神经网络：
  • 理解感知机(Perceptron)、神经网络(Neural Network, NN)。
  • 理解误差反向传播(Back propagation, BP)算法，能描述训练中正向传播和反向传播的过程。
  • 理解梯度下降(Gradient Descent)，能对其进行简要描述。
  • 理解局部最优(Local Optima)、全局最优(Global Optima)。
  • 理解卷积神经网络(Convolutional Neural Network, CNN)，能简要描述网络结构。
  • 理解神经网络中常用层的原理和计算过程：卷积层(Convolutional Layer)、池化层(Pooling Layer)、全连接层(Full Connected Layer)。
  • 理解神经网络中决策函数(Decision Function)、 激活函数(Activation Function)、 损失函数(Loss Function)，能够描述各个函数的作用。
  • 知道动量优化方法(例如Adam、AdamW)的核心思想，能描述其与普通梯度下降的差异。
  • 知道大语言模型（LLM）的核心思想。
• 数据：
  • 理解数据清洗(Data Cleaning)的一般过程。
  • 理解训练集(Training Set)、测试集(Testing Set)、验证集(Validation Set)。

C.进阶计算机技能

NOAI要求参与者能应用Python语言和已有工具解决真实的人工智能问题。其中Numpy、Pandas和Matplotlib是比较常用的数据处理和可视化工具。NOAI学术活动第二轮要求参与者能掌握上述3个包的基本使用方法，并能在在文档的帮助下在程序中加以应用从而对数据进行处理。

• 熟练运用数据清洗、数据可视化、统计分析等数据处理与分析技巧。
• 熟练掌握Numpy的数据处理、统计和转化功能。
• 熟练掌握Pandas的数据读取、查询、抽取、融合、缺失值处理等功能。
• 熟练掌握Matplotlib的数据可视化功能。
• 掌握特征工程核心技术：包括滑动窗口、池化操作、One-hot 编码、统计矩特征（均值、标准差）提取，以及基于神经网络的嵌入生成。
• 掌握数据处理细节：包括序列数据缺失值的前向填充、图像翻转 / 裁剪 / 加噪增强、文本 tokenization 与词汇表构建、图像 patching 操作。

D.人工智能进阶知识与技能

NOAI第二轮要求参与者掌握Scikit-Learn机器学习工具包和PyTorch框架的基本应用，并能在文档的帮助下解决人工智能相关研究问题。问题可能涉及计算机视觉、语音识别、自然语言处理、大语言模型等多个子领域。

• 掌握 PyTorch 基础语法，包括张量（Tensor）的创建、基本运算、数据类型转换，以及简单神经网络的定义与初始化方法。
• 理解 CPU 与 GPU 训练模型的性能差异；能在 PyTorch 中实现设备选择（CPU/GPU）、数据与模型的设备迁移，以及混合精度训练的基础配置。
• 掌握常见权重初始化方法（如 Xavier、He 初始化）
• 理解批量归一化(Batch Normalization)的原理，能在神经网络中添加批量归一化层并调试参数。
• 能在文档帮助下，在模型训练中配置 Adam/AdamW 优化器的参数，例如学习率(Learning Rate)等。
• 熟悉神经网络、卷积神经网络(CNN)，简单了解循环神经网络(Recurrent Neural Network, RNN)、生成对抗网络(Generative Adversarial Network, GAN)等深度学习模型的基本原理与应用，能在PyTorch框架中独立完成相关实验。
• 掌握文本预处理(Text Preprocessing)、词法分析(Lexical Analysis)、文本分类(Text Classification)等自然语言处理技术，能在PyTorch框架中独立完成相关实验。
• 理解图像分割(Image Segmentation)、特征提取(Feature Extraction)、目标检测(Object Detection)等计算机视觉的基本概念和方法，并使用常见的计算机数据库（例如OpenCV）进行实验。
• 理解语音信号处理(Speech Signal Processing)、语音识别(Speech Recognition)、语音合成(Text to Speech)等人工智能在语音领域的基本概念和方法，并能完成相关实验。
• 理解以大语言模型(Large Language Model, LLM)为代表的生成式人工智能(Generative Artificial Intelligence)的原理，知道多模态(Multi-modal)的概念，并能应用生成式人工智能模型解决生活中的问题。了解开源预训练语言模型（例如Qwen）的本地部署流程，以及相关 API 调用方法（例如使用Openrouter进行调用）;能使用上述模型完成文本生成、问答等基础任务。

注，围绕大纲的推荐阅读资料及课程，请参看《学生活动指南》任务卡1.4

NOAI新赛季备赛已开启，扫码领取NOAI备赛资料

欢迎咨询【NOAI竞赛辅导课程】

阅读提示：

• 本指南旨在为学校或教育机构提供开展本活动所必须的信息、步骤、资料等；
• 为了高效浏览信息，建议使用电脑打开本文档。

【水平测试2026】组织流程与时间节点
序号	组织流程	时间/地点	注意事项
1	了解项目基本信息	/	【学生活动指南】NOAI水平测试 2026 ● 学生参与活动全流程指南，含学术大纲、推荐课程、往届真题等学生备考资料
2	参加第三届 NOAI 中国区研讨会暨教师能力提升工作坊	2025年12月6日-7日 北京中关村学院	教师邀请函丨第三届NOAI中国区研讨会暨教师能力提升工作坊 圆满落幕！国际人工智能奥林匹克学术活动中国区研讨会暨教师能力提升工作坊全程回顾
3	组织学生报名	2025年11月1日–2026年1月10日	● 报名链接：NOAI 2026 - 登录
4	参加官方教练员认证	2026年1月-3月底	关于开展NOAI2026年教练员认证的通知
5	组织本校学生参NOAI第一轮水平测试	2026年3月22日（周日）上午9:00-11:00 全国各地授权评估中心（考点）	● 测试安排：线下纸笔考；考点学生在本校参加；非考点学生被分配至所在城市或就近城市考点。 ● 教师操作： ○ 考点：线下组织水平测试；详见后续通知； ○ 非考点：提醒学生关注组委会邮件通知，按要求前往指定考点参加测试
6	提醒学生及时查询水平测试和中国站晋级结果	2026年4月9日	学生邮件获取查询通知，查询链接将于在《学生活动指南》里更新
7	晋级学生参加中国站	2026年6月21日 北京	● 活动安排：详见后续通知；学生使用专用平台上机完成（调用云端算力训练模型解决人工智能领域的真实问题，通过AB数据集打榜的方式直接获得客观成绩） ● 教师操作：如有意愿，可选择担任领队
8	中国国家队参加集训及国际站	2026年7月-8月 阿联酋 阿布扎比 穆罕默德·本·扎耶德人工智能大学	● 活动安排：详见后续通知；线上+线下集训，IOAI国际站个人挑战、团队挑战

NOAI新赛季备赛已开启，扫码领取NOAI备赛资料

欢迎咨询【NOAI竞赛辅导课程】