找到与你的行业和工作年限匹配的简历写法

训练稳定性： 独立负责一个 34B 稠密模型预训练的稳定性，针对反复出现的 loss spike，定位到是少量脏样本 + 学习率偏高叠加，用数据侧过滤 + 梯度裁剪 + 学习率重调的组合把 spike 频率从平均每天数次降到基本不再出现

落地了断点续训和坏 batch 自动跳过机制，把因异常中断导致的算力浪费明显减少，千卡训练的有效利用率提上来了

吞吐与并行优化： 主导了这个模型的并行策略调优（张量并行 + 流水并行 + 序列并行的组合），配合 FlashAttention 和激活重计算的取舍，把训练 MFU 从约 38% 提升到 52%，同样算力下训练周期明显缩短

排查并修复了流水并行下的一个 bubble 偏大问题，调整了 micro-batch 切分

预训练数据： 负责过一版预训练语料的去重和配比升级，处理了 万亿(T)级 token，把重复数据和低质网页比例压下来，配比调整后中文和代码的下游评测都有正向

长上下文： 参与把基座的上下文长度从 4K 扩到 32K，做了 RoPE 外推 + 长文本数据的续训，长文本任务的效果达标且短文本能力基本无损

参与 NLP 基础模型的分布式训练，负责 64 卡集群的训练任务调度与故障恢复，集群有效利用率从 70% 提升至 85%

优化数据加载管道，通过预取与混合精度训练将单 epoch 训练时间缩短约 25%

协助完成千亿 token 级别预训练语料的去重与清洗流程，处理了 500GB+ 原始文本数据

任职信息： 下属 5人

视觉语言模型对齐： 主导公司主力视觉语言模型的对齐全流程（视觉编码器预训练 → 图文对齐 → 指令微调），带 5 人小组负责数据、训练和评测

把原来"接个 CLIP 再拼个 LLM"的粗放做法，升级成"视觉编码器 + 投影对齐 + 多任务指令微调"的分阶段体系，图文问答和图文理解能独立迭代

多模态预训练与数据： 主导多模态预训练数据的清洗和配比方案（图文对匹配度过滤、长尾概念补充、指令数据配比），支撑亿级图文对的训练

建了公司的多模态数据流水线，把图文/视频数据从采集到可训练的周期从周级缩短到天级

理解效果与评测： 建了图文理解、跨模态检索、视频理解的多维评测体系（准确率、Recall、分类别 badcase，自动 + 人工），支撑各方向并行迭代

任期内主力 VLM 在内部图文理解评测的综合得分进入第一梯队，图文问答准确率相对提升约 15%

下游落地： 推动 VLM 在跨模态检索和内容审核两个场景落地，检索相关性和审核机器召回率都拿到显著正向，人工成本下降

团队： 带 5 人理解小组，负责数据标注规范、训练评审和新人培养，培养出能独立负责子方向（检索/视频理解）的同学

视觉与多模态： 从图像分类和检测做起，独立负责内容审核和标签系统的视觉模型，支撑 千万级日均图片的自动分类和审核，机器审核覆盖率达 85%+

主导了图文检索模型的 3 次核心迭代（从 CNN+词袋 到 CLIP 预训练微调），检索 Recall@10 相对提升约 20%

工程与评测： 搭建了多模态模型的离线评测流水线（Recall/mAP/分类别指标 + 自动化报告），支撑 4 个方向的并行迭代

主导了图文检索服务的在线化（基于 FAISS 向量索引 + 模型蒸馏），检索延迟从 120ms 降到 30ms，日均服务 百万级请求

任职信息： 下属 28人

感知栈负责： 负责量产智驾（高速 NOA、城市 NOA、行泊一体）的全部感知，带 28 人团队（BEV 检测、Occupancy、车道线拓扑、多传感器融合、感知工程与部署）

对感知的安全和场景覆盖负责，任期内感知原因导致的接管里程占比从基线显著下降，多个车型的感知方案顺利量产交付

感知架构统一： 主导感知从"多个独立模型拼接"到"统一 BEV + Occupancy 端到端感知架构"的升级，多相机、激光雷达、毫米波在 BEV 空间做时序融合，多任务共享一套 backbone

牵头把 Occupancy 占用网络作为通用障碍物表达落地量产，从根上解决了异形/非标障碍物的检测覆盖问题

车端与量产： 主导感知在车端芯片上的部署体系（量化、剪枝、算子优化、多任务调度），在有限算力下把整套感知做到 实时、算力进预算，支撑多平台量产

建立感知的安全评估和上车准入规范（场景化指标、回归门禁），让每次迭代都可度量、可回滚

数据闭环平台： 主导建设感知的数据闭环平台（自动化 corner case 挖掘、自动标注/预标注、大规模回归评测、影子模式），把长尾场景从发现到修复的周期从月级缩短到天级，团队迭代效率提升数倍

团队与人才： 搭建了感知团队的方向划分、培养体系和技术评审机制，培养出多名能独立负责子方向（BEV、OCC、融合、部署）的专家和小组长

感知算法： 从传统视觉检测和图像分割起步，带 8 人感知小组，主导了前视检测模型从手工特征（HOG/DPM）到深度学习（Faster R-CNN → CenterNet → 3D 检测）的 4 代核心迭代

车辆检测 mAP 累计从约 60% 提升到 88%+，模型落地到 3 款量产车型，覆盖高速和城区场景

工程与平台： 搭建了感知模型的训练框架和评测平台（自动化训练 + 场景化评测指标 + 模型版本管理），支撑团队规模从 3 人扩展到 15 人

主导了感知模型的嵌入式部署方案（TensorRT + 模型蒸馏），在车端芯片上将多任务感知的延迟控制在 实时，算力利用率提升约 50%