简历

• 《Two Layers of Attention Stability: A Koopman-Operator Analysis of Linear and Softmax Attention》 NeurIPS 2026 一作
  • 研究背景：针对 linear attention 在长序列预测与长时滚动中易发散、而 softmax attention 通常更稳定但机理不清的问题，从 Koopman operator / EDMD 视角重新分析两类注意力稳定性的根本差异。
  • 主要创新：提出“架构层稳定性 + 动力学层稳定性”两层分析框架，证明 linear attention 在最优点可等价为 EDMD 的 Koopman 估计器，并进一步给出两种稳定化 linear attention 方案 SN-LA 与 RN-LA，在不限制动力学表达能力的前提下约束 token-mixing 的谱性质。
  • 最终结果：实验表明，稳定化 linear attention 可弥合原始线性注意力到 softmax 的 80% 以上性能差距，并在最长预测长度下于 5 个数据集中的 3 个 超过 softmax；在合成系统 rollout 中，原始线性注意力约在 k=5 发散，而 RN-LA 可稳定至约 k≈50。
• 《A Discrete Neural Operator with Adaptive Sampling for Surrogate Modeling of Parametric Transient Darcy Flows in Porous Media》 Computers and Fluids 2025 一作
  来源于“油气藏生成式表征及智能代理”项目。
  • 研究背景：针对参数化瞬态达西渗流建模中，传统 U-Net 残差注意力结构对复杂物理场表达能力有限、训练样本利用率不足的问题，探索更高效的代理建模方法。
  • 主要创新：提出离散神经算子 + 自适应采样的联合框架：一方面用离散神经算子直接建模参数化瞬态流动过程；另一方面在训练过程中建模特征输入到训练误差之间的概率密度关系，对当前误差较大的输入区域分配更高采样概率，使后续训练持续聚焦“尚未学好”的高价值样本。
  • 最终结果：在压力场预测任务上，相对误差较 SOTA 模型降低 24.3%；在初始训练样本稀缺场景下，相比随机采样策略，预测相对误差进一步降低 35%。

• 《Multiresolution Sobolev Trained Fourier Neural Operator for Cross-Resolution Surrogate Modelling of Parametric Two-Phase Darcy Flows in Porous Media》 Under Review · 共一
  • 研究背景：面向含随机渗透率参数的两相压缩 Darcy 多孔介质流动问题，针对传统高分辨率数值模拟在不确定性量化与代理建模中的高计算成本，研究跨分辨率神经算子建模方法。
  • 主要创新：基于 Fourier Neural Operator 构建跨分辨率代理模型，提出多分辨率 Sobolev 训练框架，在混合分辨率样本上引入与网格一致的一阶、二阶有限差分梯度约束，提升模型对高分辨率压力场与饱和度场的泛化能力。
  • 最终结果：在 41×41×6 高分辨率测试集上，多分辨率训练使压力场 MAE 由 0.505 MPa 降至 0.142 MPa，预测误差下降约 71.9%；进一步引入一阶/二阶 Sobolev 梯度约束后，压力场 R² 提升至 0.520、饱和度场 R² 提升至 0.806，对应饱和度场预测误差较基线进一步下降约 13.4%，swept volume 平均误差低于 0.3%。
• 《一种基于数学期望的小样本学习方法》 2025 专利
  • 研究背景：针对油气藏模拟与代理模型训练中真实数据稀缺、样本分布不均、传统增强方法难以稳定提升效果的问题，探索小样本条件下更可靠的数据增强机制。
  • 主要创新：提出基于次线性期望理论的数据增强方法，设计分组采样与条件期望建模机制，对稀疏生产数据进行结构化重组与统计推断，生成更具物理合理性的训练样本。
  • 最终结果：该方法形成了可复用的专利方案，为后续代理模型与生成式大模型训练提供高质量样本支持，提升了小样本场景下数据构建与模型训练的可行性。

• 2026.03 – 2026.06 字节跳动 算法实习生
  工作项目：AI小懂
  主要工作：围绕车辆 AI 助手小懂 Agent 的路由、规划、数据建设与专项后训练开展算法迭代。
  • Skill Router 与规划训练：参与车辆 AI 助手小懂 Agent 中的 skill router 设计与训练，并负责 react 模式下 plan 模型的训练与效果迭代；
  • 数据清洗与改写：参与车辆助手场景训练数据建设，完成文本 OCR、清洗与结构化整理，并结合 LLM Judge 对样本改写结果进行质量检查与筛选，提升训练语料的一致性与可用性；
  • 分层训练池构建：设计测评实验对训练数据进行难度分层，结合 pass@K 等指标将样本划分为 easy / medium / hard 三类训练池；在 SFT 完成后继续通过 rollout 构建 RL 训练池，支撑后续对齐训练；
  • 故障灯场景后训练：针对故障灯场景开展专项后训练，先进行 SFT，再通过 RLVR 弥补故障灯漏检问题，提升复杂场景下的识别与响应能力。
• 2025.06 – 2025.09 华为杭州研究院（云计算） AI 工程师
  工作项目：云宝助手
  主要工作：围绕 MCP 工具调用时的上下文开销与复杂任务拆解问题，基于 MCP 协议 + K8s 框架开发对话式 AI Agent。
  • 工具调用优化：针对大量 MCP 工具描述直接拼接带来的上下文浪费问题，设计基于生成式模型的工具召回机制，按任务语义动态召回候选工具，减少工具描述占用的上下文开销；在工具总数 3600+ 时，简单任务场景上下文开销缩减 98%，整体上下文开销减少 20%+；
  • 复杂任务规划：设计 K8s Node 异常诊断等工作流，避免 Agent 循环调用工具但无法解题的死循环；
  • 知识增强：集成 RAG 模块，在 GaussDB 中实现“条件 + 向量”复合查询，回答准确率提升 12%。
• 2025.03 – 2025.05 振华石油成都研究中心 研究助理
  工作项目：生成式模型驱动的自适应采样模块开发
  主要工作：基于生成式模型设计自适应采样模块，用于提升代理模型训练效率与预测精度。
  • 核心思路：动态识别高误差区域，优先采样关键样本，提升数据利用率；
  • 技术实现：利用误差分布构建采样概率密度，并训练轻量级生成模型（GMM、VAE）作为“智能采样器”；
  • 实验成果：相同精度下训练数据量减少 16.7%，相同数据量训练时相对误差降低 20%–35%。
• 2024.10 – 2024.11 好未来 NLP 实习生
  工作项目：数学题 CoT 数据构建与 Qwen2-7B 微调
  主要工作：围绕数学题场景的大模型推理数据构建、监督微调与自动化评测开展工程实践，提升模型在解题链路中的推理质量与稳定性。
  • 推理数据构建：基于 思维链（CoT） 构建 25000 道数学题“问题 → 推理 → 答案”对话数据，覆盖题目解析、步骤拆解与答案生成等核心链路；
  • 数据清洗与标准化：结合嵌入向量相似度完成样本去重与清洗，统一多轮对话格式与推理步骤表达，提升训练数据的一致性与可用性；
  • 模型微调与评测：对 Qwen2-7B 进行 LoRA 微调，并开发自动化语义匹配评估脚本，支撑训练效果快速验证与迭代，推理正确率较基线提升 12%。