精排模型迭代： 独立负责信息流推荐的精排模型，从 Wide&Deep 迭代到 DIN/DeepFM 系列的多目标模型，用 PyTorch/TensorFlow 训练

一次多目标（点击 + 时长）建模的上线，AB 实验里信息流人均时长相对提升约 5%、点击率提升约 3%

特征工程与样本： 用 Spark 处理十亿级曝光点击日志构建训练样本，做了用户实时行为特征的接入，把特征时效从小时级做到分钟级

主导了一次特征体系的梳理和清洗，下线了大量低效特征，训练成本降了约 20%、效果不降反升

召回优化： 负责过双塔召回的迭代（负采样优化、多兴趣建模），召回的覆盖度和多样性提升，长尾物品的曝光占比提高

工程与上线： 参与在线推理服务的性能优化，配合工程把精排的单次推理延迟控制在 20ms 以内，支撑线上高峰的请求量

负责自己模型的离线在线一致性核对和 AB 实验的配置与分析

负责公司 CV 模型的工程化部署，基于 TensorRT + Triton Inference Server 将 5 个模型从离线训练推到线上服务，单模型推理延迟降低 40%+

搭建了模型版本管理与灰度发布流程，支持 A/B 测试切流，模型上线回滚时间从 2 小时缩短到 10 分钟

参与推理服务的性能压测与优化，通过 batch 策略和显存优化将单卡吞吐提升约 50%，支撑日均 100 万+ 次推理请求