任职信息： 下属 5人

视觉语言模型对齐： 主导公司主力视觉语言模型的对齐全流程（视觉编码器预训练 → 图文对齐 → 指令微调），带 5 人小组负责数据、训练和评测

把原来"接个 CLIP 再拼个 LLM"的粗放做法，升级成"视觉编码器 + 投影对齐 + 多任务指令微调"的分阶段体系，图文问答和图文理解能独立迭代

多模态预训练与数据： 主导多模态预训练数据的清洗和配比方案（图文对匹配度过滤、长尾概念补充、指令数据配比），支撑亿级图文对的训练

建了公司的多模态数据流水线，把图文/视频数据从采集到可训练的周期从周级缩短到天级

理解效果与评测： 建了图文理解、跨模态检索、视频理解的多维评测体系（准确率、Recall、分类别 badcase，自动 + 人工），支撑各方向并行迭代

任期内主力 VLM 在内部图文理解评测的综合得分进入第一梯队，图文问答准确率相对提升约 15%

下游落地： 推动 VLM 在跨模态检索和内容审核两个场景落地，检索相关性和审核机器召回率都拿到显著正向，人工成本下降

团队： 带 5 人理解小组，负责数据标注规范、训练评审和新人培养，培养出能独立负责子方向（检索/视频理解）的同学

视觉与多模态： 从图像分类和检测做起，独立负责内容审核和标签系统的视觉模型，支撑 千万级日均图片的自动分类和审核，机器审核覆盖率达 85%+

主导了图文检索模型的 3 次核心迭代（从 CNN+词袋 到 CLIP 预训练微调），检索 Recall@10 相对提升约 20%

工程与评测： 搭建了多模态模型的离线评测流水线（Recall/mAP/分类别指标 + 自动化报告），支撑 4 个方向的并行迭代

主导了图文检索服务的在线化（基于 FAISS 向量索引 + 模型蒸馏），检索延迟从 120ms 降到 30ms，日均服务 百万级请求