•深度研修了概率图模型、多模态学习、生成式对抗网络等前沿课程，并基于课程项目实现了跨模态检索系统，夯实了机器学习与深度学习的数学基础。
•加入校级智能人机交互实验室，参与“面向复杂对话的情感感知与生成”国家重点研发计划，负责多轮对话状态追踪模块的设计与实验，研究成果发表于ACL 2023会议。
•作为核心成员参加全球人工智能技术创新大赛，以“基于扩散模型的低光照图像增强”方案获得全国一等奖，主导模型轻量化与端侧部署，锻炼了工程协作与技术攻坚能力。
•主导公司核心推荐系统的算法迭代，针对召回与排序模块进行深度优化。通过引入多任务学习和注意力机制，设计了一套用户长短期兴趣融合模型，使线上点击率提升18%，用户留存率提高12%，直接驱动了全年营收增长。
•与产品、运营团队紧密联动，深入分析垂直行业（如教育、本地生活）的业务痛点，定制化打造智能营销引擎。为教育线客户搭建了基于知识图谱的个性化学习路径推荐系统，使课程转化率提升25%，客户续费率增长20%。
•持续跟踪国际顶会（如NeurIPS、ICML）最新成果，定期组织内部技术分享并推动成果转化。牵头与浙江大学建立联合实验室，围绕强化学习与因果推断开展合作课题，为公司储备了多项前瞻性技术方案。
•聚焦对话式AI系统的研发，全面负责智能客服机器人的意图理解与多轮对话管理模块。通过构建基于预训练语言模型的对话状态追踪器，并融合知识蒸馏技术，使首响准确率提升至91%，客户问题自助解决率提高40%。
•深度参与公司智能座舱项目的语音交互系统设计，与硬件、结构团队协同攻克车载噪声环境下的唤醒与识别难题。通过前端声学处理与端到端语音识别模型的联合优化，实现在85dB以上嘈杂环境中的唤醒率超过96%，产品已搭载于多款量产车型。
•搭建部门技术知识库与代码共享平台，沉淀了包括模型压缩、联邦学习在内的多个实践案例。定期组织研读前沿论文的“AI早餐会”，并担任三名新员工的技术导师，帮助他们快速融入项目并独立承担模块研发。
•项目背景：随着城市治理现代化，对安防视频中异常事件的实时感知需求急剧增长。
•项目目标：构建一套高精度、低延迟的视频智能分析系统，支持烟火检测、人员闯入、物品遗留等十余种场景。
•技术实现：采用YOLO系列与Transformer结合的检测框架，设计多尺度特征融合网络以提升小目标检测能力。利用海量监控视频数据构建自监督预训练任务，并引入度量学习对特定场景进行快速适配。通过TensorRT与模型量化，将推理延迟压缩至40ms以内。
•项目成果：系统在多个智慧园区部署后，异常事件漏报率低于3%，误报率降低至每天每路视频0.5次以下，显著减轻了安保人员的盯屏负担，相关方案被作为公司标杆案例推广。
•项目背景：精密制造行业依赖人工目检，效率低且一致性差，急需自动化缺陷检测方案。
•项目目标：研发一套基于AI的工业视觉检测系统，能自动识别产品表面的划痕、凹陷、脏污等缺陷。
•技术实现：使用高分辨率工业相机采集图像，搭建基于EfficientNet与特征金字塔的分类与分割双分支网络。针对缺陷样本极度不均衡的问题，采用GAN进行数据增广，并结合Focal Loss优化训练。设计标注迭代与主动学习闭环，逐步提升模型在稀有缺陷上的召回率。
•项目成果：系统在合作工厂试运行后，将检测效率提升5倍，缺陷漏检率控制在0.1%以内，过杀率相比人工下降40%，有效降低了质检成本，并获得公司年度技术突破奖。
技术影响力:
在GitHub上持续维护开源AI工具库，累计获得800+ Star，其中“TinyAttention”库实现了多种注意力机制的高效部署，被Hugging Face社区收录并推荐。
作为知乎人工智能领域深度作者，发布《扩散模型数学原理与工程实践》等系列长文，总阅读量超50万，多次被CSDN、机器之心等技术媒体转载。
