Renyuan LIU（刘稔rěn远）

项目背景：作为核心研发，负责 100 工具、8 大业务域电商导购 Agent 研发，解决全量工具开销、同类工具混淆、多需求顺序错误与跨轮历史污染。

• 意图分流（分类准确率 100.0%）：构建 4.8 万条电商/闲聊数据，LoRA 微调 Qwen3-0.6B，9,000 条隔离测试准确率 84.8%→100.0%；较 Qwen3-1.7B，推理中位延迟降低 34.3%、吞吐提升 52.0%。
• 高效工具检索（Top-10 工具全召回率 97.4%）：构建 7 万正对与 9.6 万类型化负例，采用多负例对比学习微调 bge-large，并以 1:7 正负难例组训练 bge-reranker-v2-m3；实现 BM25/向量双路召回、两级 RRF 融合与 Cross-Encoder 精排，采用“召回 40→精排 20→规划 10”的分层筛选，Top-10 全召回率 47.6%→97.4%；相较“精排 30→规划 20”方案，规划模型输入 Token/重排中位延迟降低 36.8%/33.7%。
• 多步工具规划（端到端准确率 92.6%）：构建 7.8 万条多风格工具调用轨迹，基于 MS-SWIFT 使用 LoRA 微调 Qwen3-8B，在固定 Top-10 候选中输出有序工具链；基于父模型真实错误构建 4,000 组偏好对，通过偏好优化训练及低学习率 DPO 收敛，规划模型工具链完全匹配率 85.7%→88.9%；在 9,000 条静态测试上，端到端准确率达 92.6%。
• 多轮 Agent 框架（上下文依赖请求准确率 92.8%）：设计模型外上下文编排器，以规则状态机调度近期状态、规则摘要与会话内 BM25，将必要历史压缩并补全为可独立规划的当前请求，再接入原规划模型，通过请求边界与整轮恢复抑制历史污染；基于近 2,000 段 2–7 轮自然短会话完成 12 阶段消融，独立测试整体准确率较直接拼接基线 50.5%→94.6%，上下文依赖/无关请求准确率达 92.8%/97.4%，版本校验缓存使规划模型调用减少 60.3%。

核心成果：9,000 条隔离测试意图准确率 100.0%；Top-10 工具全召回率 97.4%（基线 47.6%）；端到端准确率 92.6%；上下文依赖请求准确率 92.8%，规划模型调用减少 60.3%。

项目背景：作为核心研发，参与深圳河套学院联合华为、智子芯元开展的 DeepSeek-V4-Pro 国产算力全参数后训练。围绕 DeepSeek-V4 在国产算力上的推理与后训练落地，负责昇腾 910C 部署测评、算子优化 Agent 研发及融合反向算子优化。

• 910C 推理适配与测评（DeepSeek V4 Flash/Pro）：参与在昇腾 910C 集群部署与测评 DeepSeek V4 Flash/Pro，基于 ShareGPT 等数据对比 vLLM Ascend 与 SGLang 的 Prefill/Decode 性能，为推理框架选型与部署配置提供依据。
• 算子优化 Agent（昇腾迁移与开源）：针对昇腾算子依赖人工分析与反复试错的问题，基于 MIT Kernel Design Agents 重构适配 910B/910C 的算子知识库、优化规则与性能诊断工具，打通检索→生成→编译→精度/性能验证→保留/回退闭环，开源 Kernel-Agent-Ascend。
• 融合反向算子优化（耗时降低 20.9%）：基于 msprof 定位 AIV 侧标量地址计算、稀疏访存、同步等待与负载不均；通过地址计算化简、低命中搬运分支裁剪、冗余同步删除、分块/片上缓存优化及向量任务重分配，同时修复缓存扩容引发的尾块越界，算子耗时 22.603→17.88 ms（1.26×），四路输出余弦相似度均为 1.0。

核心成果：目标配置（BSND/BF16，B=1、S=4096、K=1024）下，融合反向算子耗时 22.603→17.88 ms，降低 20.9%（1.26×）；四路输出余弦相似度均为 1.0，最大相对误差 8.39e-4。