履历与关键经历
核心思想与方法
- RSI（递归自我改进）是AI研究的终极范式，旨在构建模型自主识别缺陷、提出方案并验证优化的闭环系统。 归纳 [1] [2]
- 预训练决定智能基础，后训练（如RL）仅用于提升排名；模型能力源于表征的质变而非单纯线性教学。 归纳 [2]
- 语言的信息密度和表达能力远超图像，是智能的关键；多模态融合中语言应占主导。 归纳 [2]
- LLM时代务实的执行者（down-to-earth do-ers）因能快速验证与修正而具备核心优势。 归纳 [3]
- 大厂存在“南斯拉夫式”汇报失真与资源垄断问题，阻碍前沿探索；小团队更利于创新闭环。 归纳 [4] [5]
- AI进步是非渐进式的，存在S形曲线与平台期跃迁；领先优势依赖关键节点突破。 归纳 [1]
- Transformer架构并非终极解决方案，需新架构或世界模型来超越其数据饥渴与深层认知局限。 归纳 [2] [7]
- AI擅长在既定框架内暴力穷举，但缺乏方向感和新概念形成能力；人类的核心价值在于定义问题、跳出框架提出“破坏性”好问题及提供方向感。 归纳 [8] [7]
代表性贡献
最近公开表达
- 宣布Recursive正式发布，构建能自动发现知识并实现递归自我改进的AI。 事实 [5] [8]
- 分享Meta裁员经历，建议摆脱“裁员羞耻”，将离职视为探索广阔天地的契机。 事实 [4]
- 探讨AI Coding的飞轮效应及科研品味的重要性。 事实 [4]
- 指出大厂高管常被媒体新闻牵着走，导致战略摇摆；技术人员难以对抗高层决策波动。 事实 [4]
- 强调在Meta期间因过度亲力亲为写代码而收到绩效警告，认为AI编程工具解放了这种束缚。 事实 [5] [8]
- 提出“职场蒸馏”概念，比喻在大厂间跳槽如跳出越来越少的鱼缸。 事实 [2]
- 探讨Agent内存瓶颈，指出长期记忆在供应链等场景是关键杀手级应用。 事实 [2]
- 认为通用模型比垂直模型更具优势，主张通过系统泛化解决特定问题。 事实 [2]
- 指出LLM时代务实执行者因能快速验证与修正成为核心优势。 事实 [3]
- 介绍TAPA位置编码框架及GPU算子优化SOTA成果。 事实 [3] [8]
- 介绍AMA-Bench与AMA-Agent，评估长程记忆能力。 事实 [3]
- 介绍强化学习新方法，通过优化权重矩阵奇异向量实现等谱优化。 事实 [3]
- 探讨RSI从模型自进化闭环走向科学化研究范式跃迁，强调其复杂度远超coding agent。 事实 [1] [7]
- 分析代际认知差，指出兼具领域经验与一手实践能力的中坚力量最能捕捉RSI信号。 事实 [1] [7]
- 指出大厂因短期商业路径缺失，对RSI投入动力不足；多数讨论仍停留在概念层面。 事实 [1] [7]
- 强调RSI需要人类研究员的“groking”能力，即从少量样本抽象本质的创造力。 事实 [1] [7]
- 认为RSI是阶梯式演进，第一级台阶已具实用价值。 事实 [1] [7]
- 指出AI在既定框架内擅长暴力穷举，但缺乏方向感；人类价值在于跳出框架提出“破坏性”好问题。 事实 [8] [7]
- 批判Transformer架构的路径依赖，认为打破共识是破局关键。 事实 [8] [7]
最近工作与项目
重要来源
X
👉👉 使用我们的 Recursive Flint-40B-A2B 进行 AI 科学发现演示！🪨🪨
YouTube
信息瓶颈
X
感谢 @ziv_ravid 的采访！聊得很愉快 😀
X
这周五下午会去参加 CoLM 会议。虽然因为太忙没法做演讲，但我仍会参加这个环节的圆桌讨论：https://wdlctc.github.io/efficient-reasoning-2026/。到时见～
YouTube
Build Up! with Lydia Shang
X
我们发布 Coconut 时也收到了完全一样的评论😀。但即便有了显式的思维链（CoT），模型仍能学会隐藏真实的思考过程。终极的解决之道始终是理解模型的运作原理。
X
😅 所以我们的 StreamingLLM（最初那篇 attention sink 论文）又杀回来了？😅 —— 注意：这是在训练后（post-training）场景下。
YouTube
墨明棋妙
YouTube
2023人工智能与离散优化
YouTube
饮水思源,为世界之光
YouTube
AI时代机会 | 趋势·职业·定位
YouTube
人工智能
YouTube
课代表立正的所有视频
YouTube
AI 前沿
YouTube
AI Agent 推理
X
我们的自动化系统有了有趣的发现😆 它检测到部分 FlashInfer kernel 存在数值问题，并自动提交了 PR，最终通过了专家审核🤓
YouTube
田元东
YouTube
UCL DARK 特邀演讲系列
YouTube
LLM Agents MOOC Fall 2024
X
赠Zeyuan Allen-Zhu🫡
世言大模惟精调，君执初心问真章。
动力学中观涨落，表达性里辨行藏。
万里独征云和月，所慕岂在功与赏。
他年若问登临处，格物致理照新航。
突き破れ、扉の向こうへ！
（source: 鋼の錬金術師 ED，《扉の向こうへ》）
X
我们正在招聘沙箱与 LLM 推理方向的工程师。有意者请将简历发送至 [email protected]
X
🚨大模型后训练强化学习的新方法！
受此前 path-not-taken 研究的启发，我们深入探究了强化学习的学习轨迹，发现仅需优化权重矩阵的奇异向量（即旋转）即可获得良好的强化学习效果。这种“等谱优化”能以大幅减少的训练步数达到同等评分。
@zhu_hanqing666 及其合作者的出色工作！
X
😂历史上这种情况发生过无数次。人类+智能手机=超人；人类+大语言模型=超级超人。我们早已远胜20年前那些可怜的智人。
X
非常赞同。人类面临的最坏局面，莫过于少数精英掌控着最顶尖的模型（及其 API），而其他人只能将其奉为“神明”并祈求使用权。那才是真正的反乌托邦……
X
今天在 AMD AI 大会现场。
X
哇……看起来没问题啊？！
X
欢迎 @ChengleiSi 加入团队！让我们一起大干一场吧😆！
X
明天旧金山见！ https://t.co/UVwCU72TX0
X
很荣幸受邀前往纽约观看世界杯 VIP 席位（7月4日-7月6日）。期间可能还有时间见见大家，想聊聊的朋友欢迎私信！
X
我们推出了 TAPA (https://t.co/YpO34Q4Zyp)，它在位置编码中实现了幅值与角度贡献的解耦。相比原生 RoPE，TAPA 在 OOD（长文本）场景下表现更佳。我们还对其有效性提供了理论分析。
感谢 @yusidwang 及各位同事的出色工作！
X
我们超棒的队友 @cong_ml 为大家详细解读了我们的首批成果！
X
在 GPU 算子优化领域，我们的框架在 NVIDIA 的 SOL-ExecBench 中取得了整体 SOTA 成绩，并在全部 4 个子类别中均达到 SOTA。其表现甚至超越了：(1) GPU 人类专家设计的方案，以及 (2) 由 GPU 专家设计的其他 AI 系统生成的方案。
我们的系统具有通用性。目前我们团队并没有专门的 GPU 专家（不过在内部，我被戏称为算子“专家”😆）。
🔍 详情请见 NVIDIA 官方排行榜：https://t.co/0TILBEF5uk
X
干得漂亮 @YujieZhao455906！在这项工作中，我们构建了：
1️⃣ AMA-Bench：用于评估真实任务中长程记忆能力的基准；
2️⃣ AMA-Agent：通过追踪长轨迹中的因果关系和客观信息，实现了优于现有智能体设计的性能。
论文已被 #ICML2026 接收。欢迎使用😀 项目链接：https://t.co/MtGoJUzrSn。
X
CEO @RichardSocher 的最新博文！
X
很高兴能与 @_rockt 一路同行！
X
《纽约时报》关于 @Recursive_SI 的报道！
https://t.co/5zrtbXQmJz
X
今天，Recursive 正式发布。
我们正在构建能够自动发现知识并实现递归自我改进的 AI。这一开放式过程将从根本上改变科学与技术的进步方式。
我们分布在旧金山和伦敦的 25 位顶尖研究员与工程师拥有多元化的专业背景，涵盖智能体 AI 科学家、架构与算法设计、世界模型、优化及可解释性等领域。我们怀揣着共同的信念：这是当今人类最值得攻克的课题。
欢迎加入我们，请将简历发送至 [email protected]。关注我们 @Recursive_SI！
X
还有一点想说，在 Meta 的这五年里，作为经理或总监，我一直面临一个困境：不能过度亲力亲为，去干涉下属的工作范畴。
我甚至在绩效评估中因此收到了警告。在 OpenGo 项目中，我写了 90% 以上的代码，结果却被告知：“研究员应该做研究，工程师应该做工程。”
因此，通过承担第一作者或独立完成工作，是我保持端到端掌控感、了解项目实况的一种方式。
现在我非常开心，这种束缚终于彻底消失了，这都要归功于 AI 编程工具。
小宇宙
五源资本合伙人孟醒与 Meta AI Director 田渊栋 | Robotaxi |O1|科幻小说