刘思远

教育背景

• 曾获奖项：研究生国家奖学金；Kaggle 竞赛金牌；“互联网+”大学生创新创业大赛全国银奖（队长）；
• 校园经历：担任校人工智能协会副会长，组织 6 期顶会论文精读会；获评校级“优秀研究生干部”；

实习经历

负责模块：通义千问-VL 图文理解与视觉定位能力迭代 PyTorch 多模态大模型 数据引擎 指令微调

主导千万级图文对数据的清洗与配比优化，支撑通义千问-VL 视觉理解能力的持续迭代。

• 构建多源数据清洗与去重流水线（感知哈希 + 语义聚类），过滤低质图文对，解决训练数据噪声污染问题，千万级样本冗余率下降 62%
• 设计课程学习式数据配比策略，按任务难度动态调整采样权重，解决多任务能力“跷跷板”问题，DocVQA +4.1 分、MMBench +3.3 分
• 提出基于难负样本挖掘的视觉定位训练方案，解决检测框回归中的模糊分配问题，RefCOCO 系列基准平均提升 2.8 个点
• 落地多模态评测自动化看板，覆盖 20+ 主流基准并接入每日构建，模型迭代周期从周级缩短至天级

负责模块：搜索 Query 与商品图片的跨模态相关性模型优化 CLIP 模型蒸馏 向量检索 AB实验

负责搜索场景下图文相关性模型的训练优化与线上部署，提升用户搜索到店商品的准确率与转化效率。

• 优化双塔 CLIP 相关性模型，引入难负例对比学习与批内采样策略，解决图文语义对齐偏差问题，相关性判断准确率提升至 93.6%
• 设计大模型蒸馏方案，将 1.1B 教师模型能力蒸馏至 90M 学生模型，线上推理耗时从 85ms 降至 11ms，效果仅损失 1.2%
• 构建搜索意图-图像匹配召回链路，接入向量检索引擎，图文混合召回占比提升至 35%，搜索无结果率下降 18%
• 主导多层级 AB 实验设计与归因分析，核心场景 CTR +3.2%、转化率 +1.9%，策略全量上线

科研与项目经历

项目描述：面向长视频理解场景的开源多模态大模型，提供视频问答、时序定位与密集描述能力，支持中文场景优先适配。

• 设计时序 Token 压缩模块，基于帧间冗余剔除与关键帧聚合，解决长视频输入 Token 爆炸问题，10 分钟视频推理显存降低 58%
• 采用两阶段训练策略（对齐预训练 + 指令微调），构建 30 万条中文视频指令数据集，长视频问答准确率提升 9.4%
• 实现流式推理与 KV 缓存复用机制，首 Token 响应时间从 4.2s 降至 1.1s，支撑交互式视频问答体验
• 项目开源后获 GitHub 1.8k Star，被 2 个高校课题组基于其二次开发并发表研究成果

技能证书/其他

• 大模型技术：熟练掌握 Transformer 训练与微调全流程（SFT/LoRA/DPO/RLHF），熟悉 DeepSpeed/Megatron 分布式训练框架与多机多卡集群调度
• 多模态与生成：熟悉 CLIP/BLIP/LLaVA 等视觉-语言模型架构，掌握 DDPM/Latent Diffusion 扩散模型原理与可控生成方法
• 编程与工程：熟练掌握 Python/PyTorch，熟悉 CUDA 编程基础与 vLLM 推理加速、服务化部署；了解 C++
• 数据与评测：具备大规模多模态数据清洗、合成与质量评估经验，熟悉主流 LLM/多模态评测基准与 LLM-as-Judge 自动化评测；英语 CET-6