基座模型与后训练
研究训练目标与推理方法，在提升模型能力的同时，不让聚合分数掩盖真实失效模式。
监督微调偏好优化扩散语言模型
个人简介
关于我
我是北京大学软件工程硕士研究生，目前的研究覆盖工具调用智能体的强化学习、LLM 评测与奖励建模、扩散语言模型，以及多模态与具身智能。
我的研究主线是推动大模型从‘生成答案’走向‘可靠行动’：探索自回归与扩散式模型如何从可验证反馈中学习，在工具、视觉与真实环境中持续改进，并将能力突破转化为可衡量的实际价值。
现于腾讯 CSIG 优图实验室从事 Code Agent 后训练研究。
2027 年 7 月可入职 大模型算法研究员 · 研究科学家
中国大陆 · 中国香港 · 新加坡
01
研究方向
从失效模式出发，连接训练、评测与系统。
智能体与强化学习
面向需要与环境交互的智能体，研究信用分配、工具调用与奖励设计，而不仅是文本生成。
工具调用GRPO信用分配
模型评测与奖励建模
关注稳健的 LLM 裁判、长文本评测、不确定性，以及真正反映用户偏好的奖励模型。
LLM 裁判过程奖励模型长文本
多模态、VLM 与具身智能
通过视觉反馈与机器人奖励模型，将语言模型的推理能力连接到感知与行动。
视觉语言模型视觉反馈机器人奖励
02
最新动态
研究、论文与职业进展。
-
我们的论文 Length-Adaptive Decoding for Masked Diffusion Machine Translation 被 EMNLP 2026 主会接收，论文、代码、数据与模型权重现已公开。
-
我目前在腾讯 CSIG 优图实验室从事 Code Agent 后训练相关工作。
-
我们的论文 RefineSVG 被 CCF-A 会议 ACM Multimedia 2026 接收。
-
我们发布了关于工具调用强化学习、扩散语言模型推理和机器人奖励建模的新工作。
-
我加入腾讯，从事多语言大模型研究与智能体系统相关工作。
-
我在北京大学开始攻读硕士学位。
03
论文与预印本
按研究主题筛选，点击论文查看详情。
显示全部 9 篇论文。
RefineSVG: Visual Feedback-Driven Reinforcement Learning for Image-to-SVG Generation
提出闭环视觉反馈框架，使多模态语言模型能够渲染、比较并迭代修正 SVG 输出，同时结合面向 SVG 的词表设计与智能体强化学习。
ACM Multimedia（ACM MM）2026
Length-Adaptive Decoding for Masked Diffusion Machine Translation
提出无需训练的 Entropy-Valley 方法，在去噪前选择掩码扩散模型的目标长度，无需额外长度预测器即可提升翻译充分性。
EMNLP 2026 主会
SLCA-GRPO: Resolving Cross-Segment Credit Misattribution in Tool-Calling RL
Segment-Locked Credit Assignment 将执行奖励分配给工具片段、将偏好奖励分配给总结片段，从而减少工具调用强化学习中的跨片段信用污染。
投稿至 NeurIPS 2026
Why Deterministic PRM Guidance Underperforms in Discrete Diffusion Reasoning
在计算量对齐的实验中分析确定性 PRM 引导为何可能弱于简单的结果奖励重排，并定位中间状态信号衰减、多样性坍缩与读出误差。
投稿至 NeurIPS 2026
EAGLE: Entropy-Adaptive Gating of Pointwise Scores for Pairwise LLM Judges
提出选择性排序框架，先使用高效的点式评分，仅在接近并列且存在歧义的区间内调用成对比较。
投稿至 AAAI 2027
AgreeJudge: Predicting Cross-Rubric Support for Frozen LLM Judges
为冻结的 LLM 裁判预测跨评分准则支持度，在不改变原始判决的前提下改善置信度对齐与选择性复核。
投稿至 AAAI 2027
Decoupling Localization and Scoring in Long-form Reward Models
系统研究 23 种聚合规则，发现错误定位与影响评分几乎是相互独立的能力，应当分别评测和建模。
投稿至 AAAI 2027
DECAF: Decoupling Answer Correctness from Reasoning Presentation at the Parameter Level via Counterfactual Adversarial Fine-tuning
通过反事实掩码视图与交叉监督分别训练过程评分器和答案评分器，降低误导性推理表达压过客观答案正确性的风险。
投稿至 AAAI 2027
TrustRoboReward: Preference-Ordered Isotonic Score Editing for Multi-Paradigm Robot Reward Models
提出多范式机器人奖励建模框架，使用 POISE 模块校准点式分数，使其遵循更可靠的成对偏好关系。
投稿至 NeurIPS 2026
“在审”论文按投稿会场展示；CCF 标签仅表示会场等级。等级依据中国计算机学会第七版推荐目录。 查看目录
04
行业经历
把研究方法落到真实数据、模型与系统。
腾讯 CSIG · 优图实验室
大模型算法研究实习生
中国北京 · 现场办公
在腾讯优图实验室从事 Code Agent 后训练研究，重点关注强化学习与工具调用智能体行为。
Code Agent后训练RL工具调用CSIG优图实验室
腾讯 PCG · QQ
大模型算法研究实习生
中国深圳 · 现场办公
面向 QQ 海外版实时翻译，构建覆盖 13 种欧亚语言、约 100 万样本对的多语种翻译语料，完成数据筛选与清洗、低资源语对蒸馏补齐、NER 实体修复、4B 级基座评测与 SFT。模型域内性能提升约 10 个百分点，并在 FLORES-200 与 WMT25 上达到更大规模 MoE 翻译基线的水平。
1M训练样本对13种语言+10pp域内提升
完美世界
NLP 算法实习生
中国北京 · 现场办公
研发面向玩家社区内容治理的大模型广告语识别系统，结合检索增强生成与 LoRA 微调，并通过 vLLM 部署高效推理。系统 F1 达到 85%，用于小时级离线批量识别。
85%F1 分数RAG+ LoRAvLLM推理部署
05
教育背景
点击学校名称或校徽标识访问官方网站。
06
荣誉与奖项
竞赛、奖学金与学生工作荣誉。
北京赛区高教主赛道一等奖
第八届中国国际“互联网+”大学生创新创业大赛
全国总决赛二等奖、三等奖
全国大学生数字媒体科技作品及创意竞赛
二等奖
2021 年全国模型大赛
学业卓越奖学金
北京林业大学
优秀学生奖学金
北京林业大学
文体优秀奖学金
北京林业大学
三好学生
北京林业大学
优秀学生组织干事
北京林业大学