学业状态： 在读

本科：北京航空航天大学 计算机科学与技术，GPA 3.7/4.0

研究方向：自然语言处理与大模型评估，在做一篇关于评测集去污染的小论文

主修课程：机器学习、深度学习、自然语言处理、概率统计

在基础模型评测组，参与中文能力和数学推理两个方向的评测工作

负责数学推理评测集的整理和清洗，收集、改写了约 800 道题目，做了一轮去污染核对（用 n-gram 重叠检查题目有没有可能进过训练集），去掉了疑似泄露的约 5%

用 LLM-as-judge 搭了一套自动评分脚本，按预先定好的 rubric 给模型答案打分；我抽了 200 条自己人工标注做对照，把 judge 和人工的一致率从最初的约 72% 调到了 85%（主要是把 rubric 写细、加了打分示例）

跑了 3 个内部模型版本的横向对比，产出了一张能力维度的对比表，帮团队定位到当时的模型在多步推理上明显偏弱

学着做了错误归因：把答错的题按错误类型（计算错、步骤漏、题意理解错）分了类，发现"计算错"占了近一半

负责实验部分，对比了几种检测测试数据泄露的方法

用 Python 复现了一个开源评测框架（lm-eval-harness 思路）的核心流程，在公开数据集上跑通了几个 benchmark

长期在实验室帮忙做数据标注和标注规范的整理，对"标准怎么定才不歧义"有体感