01
分布式机器学习基础设施
基础设施 + 赋能- 问题背景
- 研究团队需要更简单、更可靠地使用分布式训练与共享计算资源。
- 难点
- 调度、易用性、资源策略、可复现性和研究人员工作流必须作为一个系统运行。
- 相关经验
- 具备分布式训练工具、Slurm 环境、资源分配和机器学习研究支持经验。
Tensor State Group 背后的技术经验。
本页介绍过往技术角色与研究经历，不将其表述为 Tensor State Group 的公司客户记录。
归属标准
我们将个人过往经验与公司客户历史明确区分。只有在可以验证和公开的范围内描述生产状态与结果。
02
视觉工作流中的生成系统
模型系统 + 工作流- 问题背景
- 创意与制作团队需要兼顾控制、流程和输出要求的生成能力。
- 难点
- 单纯选择模型无法解决控制、路由、一致性、评估、延迟和集成问题。
- 相关经验
- 具备图像生成、局部重绘、扩图、扩散模型、模型路由和检索增强创意应用经验。
03
计算机视觉与神经媒体
视觉 + 应用研究- 问题背景
- 视觉数据需要在不理想的生产条件下被转换、分割、识别或重建。
- 难点
- 数据集设计、伪影、罕见场景、吞吐量和主观质量共同决定方案。
- 相关经验
- 具备去模糊、分割、检测、合成数据和神经渲染经验。
证据标准
案例研究必须靠证据赢得信任。
详细案例遵循统一结构，包括背景、难点、干预、评估、成果和生产状态。过往任职期间的工作会明确标注。
在适当的保密条件下，可以讨论更多名称和技术细节。