1. 推荐系统中的Scaling Law研究：以Scaling为主线推进推荐系统范式升级，将大语言模型的前沿能力体系化引入工业级推荐。包括但不限于探索稀疏注意力、Resampler行为压缩等实现十万级长序列的高效建模与表征复用，沿Token Scaling、MoE、Decoder-only等技术范式推进模型Scaling目标向1B/3B/7B 级别演进等。 2. 大模型Infra设计与优化：负责大模型背景下的Infra设计，包括分布式训练、模型压缩、低延迟推理、训练加速、线上部署、链路优化、计算复杂度优化等，面向工业级应用完成千亿级参数大模型的高效训练与部署 3. 业务价值落地：面向数亿用户、百亿级行为数据的规模挑战，深度参与商品与内容分发算法的设计与优化，推动大模型技术规模化落地、驱动商业增长 4. 结合以上方向的探索和研究，撰写技术报告或发表论文，和业界、学术界保持良好的交流，输出可复用的代码、文档与最佳实践。