研究

我活跃在 AI 的全栈——感知、生成、智能体,以及数据治理与基础设施——执着于可复现以及持久化。范围可以求宽:把注意力都放在接缝上,一次微调便可以反复迭代。

模型每半年换一批。实验室留下来的其实是 harness、检查项和数据集——正是这一层,决定了上面那些东西算研究还是一场演示。

我是香港中文大学(深圳)人工智能学院的博士研究生,导师是 Prof. Jianhua Huang,也是 港中大(深圳)–CROSS 联合实验室 的科研人员。在此之前:曾就读于本校数据科学硕士项目、在曼彻斯特取得经济学学士,以及四年量化交易系统的开发工作。

我在做什么

跨帧的感知。 模型得看懂一帧接一帧里发生了什么,而不只是单帧:一个微调过的 InstructPix2Pix,从当前观测和一条指令预测机器人下一帧的动作;还有商品搜索,文字查询得和 OCR 出来的商品信息对上。我在意的失败不是一张静图上标错了类别,而是一帧看起来很合理、却说错了接下来会发生什么。

付得起的生成模型。 把扩散模型的微调压到便宜得可以反复迭代:LoRA adapter,Stable Diffusion 3 Medium 配 SimpleTuner,权重公开,而不是只公开结论;也如实标注第一次评测是目视的,不是量化的。要的不是更便宜的演示,而是同一个想法能多走几轮。

智能体与它们周围的基础设施。 有状态的多模态智能体,以及让它们可测的那套 harness:一个 LangGraph 购物助手,得把用户的要求跨轮次记牢;还有评测、工具链和流水线——决定上面这些能不能复现的东西。多数时候看不见,偶尔扛着重量。

我怎么工作

先能重跑,再谈相信。 这些东西是按「能被重跑」来造的:机器人帧模型记录了自己的硬件与预处理,SD3M 的 adapter 带着权重一起发,这个站在推送前跑 preflight、部署后跑线上检查。重跑不了的结果,只是传闻。

先有覆盖,再谈严格。 只覆盖一半代码的严格检查比没有检查更糟,因为它会变绿。这个教训来自一条视频流水线:它的类型检查器从来没看过影片源文件;修法不是把检查器变严,而是把它变宽。

机器查机械,人查判断。 自动闸门能抓住丢文件、坏路径和泄漏的凭据;抓不住一句错的论断、一帧错的画面、一句歪曲了数据的图注。这两者之间的边界,才是值得设计的地方。

这就是标准:一个结果,换数据集、换机器、换作者,都还站得住。

实验室里的系统

为港中大(深圳)–CROSS 联合实验室做的两个系统。两个都由我端到端设计并实现——架构、实现、验收。架构与技术栈公开;源码、客户相关工作,以及任何涉及数据与部署的部分都不公开。

系统做什么技术栈
CrossLedger三端账本自动化——API、工作台、桌面执行器——带 SSO、对象存储与持久化的任务状态。NestJS · Vue · Postgres · Keycloak · MinIO
CrossBooks文档收件与核验:按公司授权、原件的版本化、冲突安全的草稿。Vue · Postgres · Docker

这套工作建立在什么之上

影响上面这些工作的四处来源,以及它们各自在其中起什么作用:

  • InstructPix2Pix —— 指令条件下的图像编辑,是机器人帧模型的底子:同一个想法,指向时间。
  • Stable Diffusion 3 与 SimpleTuner —— LoRA 那一跑背后的模型与工具链。LoRA 是「别人还能加载」的最小单位。
  • RoboTwin —— 那些 episode 是合成的,这件事该写出来而不是藏起来;机器人模型上的每个数字都由这个选择决定。
  • LangGraph —— 智能体先是状态机,然后才是人格;难的是跨过一轮之后还剩下什么。

别处

项目页 是我能公开的代码,CV 是时间线。