小咕嘎

参与通用智能体（General Agent）的 Computer Use 能力研发，让模型像人一样操作浏览器与桌面软件，打通「看屏幕 → 想 → 点 / 打字」的完整闭环。

1. 动作空间设计：将屏幕截图、鼠标键盘事件与可执行动作统一建模为离散动作空间，端到端训练屏幕级操作策略，无需任何辅助 API。
2. 数据飞轮：搭建人机协同轨迹采集与自动标注流水线，数据规模从 2 万条扩张到 120 万条，模型在 WebArena 基准上任务成功率提升 38%。
3. 长程任务推理：设计分层规划器，把多步任务拆解为可验证的子目标，显著减少错误累积，长程任务完成率翻倍。

参与 Claude 编码智能体（Coding Agent）的后训练（Post-Training）工作，以模仿学习（Imitation Learning）为主，把顶尖工程师的解题轨迹变成模型的行为先验。

1. 模仿学习管线：从 10 万条高星仓库真实修复轨迹中清洗、去重并构建偏好对，训练行为克隆与偏好优化模型，代码修复通过率提升 26%。
2. 工具调用微调：针对 REPL、编辑器与 CI 反馈循环设计专门的工具调用格式与奖励信号，多文件改动任务的编译通过率从 61% 提升到 89%。
3. 评测体系：搭建离线沙箱评测集（含 1200+ 真实 GitHub Issue），支撑后训练迭代的快速回归，每周可完成 3 轮全量实验。

参与 CUDA 运行时与 GPU 计算基础设施的性能优化，为深度学习训练与推理提供更高吞吐、更低延迟的底层支撑。

1. 内核性能优化：对 cuDNN / cuBLAS 关键路径做寄存器级优化与内存访问重排，核心算子吞吐平均提升 1.7 倍，被合入正式发布版本。
2. 显存管理：重构流式分配器的复用策略，减少碎片化与拷贝开销，多租户推理场景下显存峰值占用下降 22%。
3. 集群诊断：开发 GPU 健康检查与故障注入工具链，覆盖 2000+ 卡规模集群，将训练中断定位时间从小时级压缩到分钟级。

面向家庭与工业场景的通用具身智能（Embodied Intelligence）公司：自研端到端 VLA（Vision-Language-Action）基础模型与一体化机器人硬件，让机器人看一眼、听一句就能学会新任务。创立 6 个月即完成天使轮与 A 轮融资，累计融资 2 亿美元，估值超 12 亿美元。

1. VLA 基础模型：自研 7B 参数视觉-语言-动作模型，统一「感知 → 推理 → 操作」全链路，200+ 种通用技能的零样本执行成功率 92%，多项开源基准排名第一。
2. 硬件全栈自研：自研高精度灵巧手、双臂平台与轮式底盘，关节响应延迟低至 5ms，单台 BOM 成本较同类方案低 40%。
3. 商业化落地：已与头部物流与汽车制造客户签订意向订单，覆盖分拣、上下料与质检场景，年化订单金额超 5000 万美元。