陆衍 · AI深度学习算法工程师

针对传统倒排与关键词匹配在长尾、口语化 query 上语义理解薄弱的问题，主导引入 BERT 预训练语言模型并微调 query-doc 语义匹配模型，使长尾 query 相关性（GSB 评测）提升 12%、搜索无结果率下降 18%

设计双塔文本表示与语义向量召回链路，将 BERT 句向量蒸馏为轻量编码器以满足线上实时计算，语义召回通道贡献整体有效召回 +9%，覆盖此前关键词召回无法触达的同义与改写 query

将语义匹配分作为核心特征接入搜索排序模型，完成特征对齐与在线 A/B 验证，头部场景点击相关性（CTR×相关性）提升 6.3%，并连续两个迭代周期稳定正向

推动语义模型从离线实验走向线上全量，搭建模型服务化、灰度发布与回滚机制，沉淀团队首套深度学习上线工程规范，支撑日均亿级 query 稳定服务、P99 时延控制在 25ms 以内

建立语义相关性标注规范与离线评测基线，打通训练—评测—上线闭环流水线，使后续语义模型迭代周期由 3 周缩短至 1 周

主导基于对比学习的图文跨模态检索模型（CLIP 范式）从 0 到 1 落地，在 8000 万图文对上完成双塔预训练，图搜文 Top-5 召回率较原 OCR+标签管线提升 16 个百分点

针对长尾误检设计难负样本在线挖掘策略，结合温度系数与队列式负样本扩充，将跨模态对齐的对比损失收敛轮次缩短约 30%，验证集 mAP 提升 9.2%

推动模型从单模态图像扩展到视频理解，引入帧采样+时序注意力建模视频内容，短视频自动标签准确率从 78% 提升至 89%，支撑内容理解上游标注成本下降约 40%

将双塔向量检索接入业务侧以图搜图/跨模态搜索链路，配合量化索引把亿级图库的单次检索时延压到 45ms 以内，相关搜索场景点击率相对提升 11%

沉淀图文表征统一训练框架与评测基线，覆盖 4 类下游检索任务，使团队新场景模型交付周期由 6 周缩短至 3 周

平台缺乏自研基座大模型、长期依赖外部商用 API，主导千亿参数（130B）中文基座模型从 0 到 1 预训练，搭建 2048 卡 GPU 分布式训练集群，在万亿 token 语料上完成预训练，通用能力评测对齐同期主流开源 SOTA

基于 Megatron-LM 落地张量/流水线/数据三维并行，结合混合精度、序列并行与梯度重计算优化显存与通信，将集群 MFU（算力利用率）从 42% 提升至 54%，单轮预训练周期缩短约 30%

自建万亿级语料清洗去重 pipeline（规则+模型双重过滤、MinHash 近重去除、质量分级采样），高质量数据占比提升至 90%+，相同算力预算下基座模型困惑度（PPL）下降 12%

设计并落地完整 RLHF 对齐链路（SFT → 奖励模型 → PPO），组织标注 50 万+ 偏好样本并迭代奖励模型，人工评测胜率从 48% 提升至 72%，有害与不当输出下降 65%

牵头企业级 LLM 能力平台建设，统一基座、领域微调与模型服务接口，支撑 10+ 内部业务线接入、月均调用量达千万级，整体大模型相关外采成本下降约 40%

作为算法负责人从 0 组建 30 余人多模态大模型团队，制定自研技术路线与季度算法 OKR，18 个月内将交付节奏从单季 1 个模型版本提升至双周一次稳定迭代

主导自研多模态大模型的架构选型与训练策略，统一文本/图像/视频表征，在内部多模态评测集上综合得分较开源基线提升 27%，支撑 4 条核心产品线复用同一底座

定义 AIGC 产品的算法路线与商业化路径，推动从 Demo 到付费产品落地，上线一年内服务 200+ 企业客户、日均调用突破 800 万次

牵头制定大模型推理优化与成本管控策略，通过架构裁剪与服务化调度将单位 token 推理成本下降 62%，单业务线毛利由负转正

建立算法评审、数据飞轮与离线/在线一致的实验体系，将新需求平均验证周期从 3 周压缩至 5 天，模型上线事故率下降 70%

作为算法整体技术决策者拍板自研与开源混合选型方案，主导 2 项核心技术专利申请，并搭建校招+社招人才梯队支撑团队可持续扩张

针对公司图文、视频内容理解能力散落在各业务线、标准与表示互不相通的问题，主导建设企业级统一多模态内容理解平台，基于多模态大模型将图、文、视频对齐到同一向量空间，覆盖 6 条业务线、20+ 亿条内容资产，特征复用率从不足 30% 提升至 85%

牵头落地跨模态对齐驱动的内容审核链路，识别图文语义不一致与视频帧级风险，违规召回率由 92% 提升至 97%、漏审率下降约 60%，人工复审量减少 45%，支撑日均亿级内容的安全准入

自研十亿级向量检索系统，统一支持以文搜图、以图搜视频等跨模态检索场景，检索 P99 时延压降至 80ms 以内、Top-10 召回率达 95%，替换原有多套异构检索服务并下线 40% 冗余算力

设计基于对比学习的统一多模态表示方案，将跨模态对齐损失与难负样本挖掘引入训练，使下游审核、检索、标签等任务平均指标提升 8 个百分点，新业务接入周期由 2 周缩短至 3 天

作为算法负责人带领 12 人团队，建立多模态评测基线与数据闭环回流机制，将模型迭代周期从 6 周压缩至 2 周，半年内稳定交付 4 个平台级模型版本

面向代号「灵犀」推理平台千亿级 LLM 在线服务 GPU 成本高、首 token 时延偏长的痛点，作为核心算法主导推理加速专项，搭建覆盖量化—蒸馏—缓存的端到端优化链路，单卡吞吐提升约 2.6 倍。

设计 W8A8 与 INT4 混合精度量化方案，结合分组量化与离群值保护，将 130B 模型显存占用压缩 56%，评测集精度损失控制在 0.5% 以内，单实例并发承载能力提升约 2.1 倍。

主导知识蒸馏，将 130B 教师模型蒸馏为 13B 学生模型，在核心业务任务上保留约 96% 效果，端到端推理成本下降 70%，平稳承接 60% 以上线上流量。

重构 KV 缓存与注意力调度，落地分页式 KV 缓存、前缀复用与连续批处理，长上下文场景显存碎片下降约 40%，P99 时延从 1.8s 降至 0.6s。

引入投机解码（小模型草稿 + 大模型校验），在输出一致前提下将平均解码速度提升 1.9 倍，日均节省推理算力约 35%，支撑业务峰值 QPS 翻倍。

面向营销团队素材产能瓶颈，主导搭建可控图文生成系统 Helix：以扩散模型为底座叠加多条件约束（版式/线稿/色板/品牌字体），将海报与 Banner 的一次成图可用率从不足 30% 提升至约 72%，单张素材平均生产周期由 2–3 小时压缩到 5 分钟内。

设计区域级可编辑生成与文字渲染链路，以局部重绘结合区域化提示注入，攻克扩散模型中文长文案「糊字/错字」难题，关键文案字符准确率提升至 96% 以上，支撑电商主图、活动页等强文字场景规模化落地。

构建轻量化品牌风格定制方案，借助风格参考图与低秩适配，使单个品牌平均 30 分钟内完成风格对齐并沉淀 40+ 品牌风格库，让非设计岗运营人员自助产出合规素材的占比达到 65%。

落地可控生成的安全与质检闭环，引入多模态打分模型对生成结果做美学、合规、版权风险自动分级，将人工复审工作量降低约 70%，违规素材漏出率控制在 0.5% 以下。

推动系统在 3 条业务线规模化投产，月均自动生产营销素材 12 万张以上，相关投放创意点击率较人工基线提升约 18%，素材综合制作成本下降约 60%。