Tencent Hunyuan наняла ученого-исследователя из OpenAI, Тяня Юнлонга, чтобы возглавить свою команду по мультимодальным моделям. Он будет подчиняться главному научному сотруднику по ИИ Яо Шунью. Этот шаг является частью недавней крупной кампании по привлечению талантов в сфере искусственного интеллекта.
Образовательный путь Тяня соответствует типичной траектории элитных специалистов по ИИ в Китае. Он получил степень бакалавра в Университете Цинхуа, а затем магистерскую степень в Китайском университете Гонконга под руководством известных пионеров компьютерного зрения Тан Сяо'оу и Ван Сяогана. Завершил он обучение в области EECS в Массачусетском технологическом институте (MIT) под руководством Филиппа Исолы, изобретателя CycleGAN.
Согласно профилю Тяня в Google Scholar, он имеет 28 778 цитирований и индекс h равный 35, причем только за 2026 год было зафиксировано 3 436 цитирований. После получения докторской степени Тянь работал в исследовательской команде Cambridge Google DeepMind, а затем перешел в OpenAI в качестве ученого-исследователя.
В OpenAI он специализировался на машинном восприятии, генеративных моделях и представлении информации с визуальной точки зрения. Его совместная работа с Яо Шунью в OpenAI делает их последующее сотрудничество в Tencent естественным развитием. Одним из наиболее значимых академических вкладов Тяня является метод Supervised Contrastive Learning, который расширил фреймворк контрастивного обучения для контролируемых сценариев путем кластеризации образцов одного класса в пространстве представлений. Эта работа повлияла на последующие дизайны моделей предварительного обучения зрения, включая серии SimCLR и MoCo.
Более недавняя работа команды, Fluid (октябрь 2024 года), продемонстрировала, что авторегрессионные модели генерации текста в изображение с использованием непрерывных токенов значительно превосходят подходы с дискретными токенами, при этом генерация в случайном порядке обходит генерацию в фиксированном растровом порядке. Команда обучила модель Fluid 10.5B как новый эталон.
Присоединение Тяня является частью серии изменений в команде Hunyuan по мультимодальным технологиям. После ухода бывшего руководителя мультимодального направления Лю Вэя в конце 2024 года, Tencent учредила независимые департаменты LLM и мультимодальных моделей в TEG в апреле 2025 года. Затем последовал набор сотрудников из Microsoft Research Asia и лаборатории Tongyi от Alibaba. Тем не менее, возможности Hunyuan в области мультимодальности часто считаются отстающими от Doubao от ByteDance и Tongyi Qianwen от Alibaba.
Глубокая экспертиза Тяня в генеративных моделях и визуальном представлении, в сочетании со специализацией Яо в пост-тренировке языковых моделей, обеспечивает полное покрытие основных направлений LLM и мультимодальности. Для Tencent прибытие Тяня сигнализирует о намерении создать подлинное технологическое отличие в области мультимодальности, а не просто оставаться инструментом для интеграции в экосистему WeChat и QQ. Компания рассчитывает, что высококлассные исследовательские кадры позволят ей сократить отставание от конкурентов с более крупным финансированием.
Гу Юсянь, аспирант Цинхуа, являющийся обладателем специальной стипендии и имеющий почти 5000 цитирований, присоединился к компании DeepSeek в преддверии выпуска официальной версии DeepSeek V4, запланированного на середину июля.
Компания DeepSeek активно нанимает специалистов в области алгоритмических исследований, инженерии, продуктовой разработки, операций и инженерии данных в связи с подготовкой к запуску DeepSeek V4. Среди авторов, упомянутых в научной работе DeepSeek V4, выделяется Гу Юсянь. Он является кандидатом наук из Университета Цинхуа и получил Специальную стипендию выпускника Цинхуа на 2025 год, согласно сообщению издания Machine Intelligence.
Гу Юсянь официально вступил в состав DeepSeek, пополнив штат компанией одним из наиболее многообещающих молодых исследователей ИИ из Цинхуа. Ранее он получал Стипендию Apple для PhD на 2025 год и Стипендию Ant Group In-Tech. Он является выпускником программы PhD по специальности «Компьютерные науки» в Университете Цинхуа, где он также завершил обучение на уровне бакалавра. Его научные изыскания проводятся под руководством профессора Хуан Миньля в группе по разговорному ИИ.
Исследования Гу сосредоточены на повышении эффективности на протяжении всего жизненного цикла больших языковых моделей. Его работа охватывает предварительное обучение, адаптацию на последующих этапах и инференс. Он занимается тремя основными направлениями: отбор данных для предварительного обучения, где он разрабатывает теории и алгоритмы для оптимизации выбора данных с целью создания более способных и эффективных моделей; сжатие моделей посредством дистилляции знаний, где он проектирует методы передачи знаний от крупных моделей к меньшим, более пригодным для внедрения; а также разработка эффективных архитектур моделей, исследуя новые структуры, которые снижают вычислительные затраты при одновременном улучшении производительности.
Согласно его профилю в Google Scholar, общее количество цитирований достигает почти 5000. Два его труда превысили порог в 1000 цитирований каждый: «Pre-trained Models: Past, Present and Future» и «MiniLLM: Knowledge Distillation of Large Language Models». Он выступал первым автором в ряде работ, принятых на ведущих конференциях по ИИ, таких как NeurIPS, ICLR, ACL и других.
Примечательно, что Гу внес значительный вклад в серию гибридных архитектурных языковых моделей Jet-Nemotron. Эта серия демонстрирует точность моделей с полным вниманием на уровне передовых достижений при превосходной эффективности. Версия Jet-Nemotron с 2 миллиардами параметров превзошла Qwen3, Qwen2.5, Gemma3 и Llama3.2 по бенчмаркам MMLU и MMLU-Pro, обеспечивая при этом ускорение генерации до 53,6 раза на GPU H100 при длине контекста 256K, опередив более крупные модели MoE с полным вниманием, включая DeepSeek-V3-Small и Moonlight.
Как отметил сам Гу, «Когда аппаратные ресурсы ограничены, алгоритмические инновации становятся ключом к преодолению вычислительных узких мест». Его исследовательская философия соответствует акценту DeepSeek на разработке ИИ, ориентированной на эффективность, что делает его стратегическим приобретением команды перед запуском V4.
