钱晓萌 Xiaomeng Qian
复旦大学在读博士 · 多模态基础模型
2537831239@qq.com· xmqian03.github.io· GitHub · xmqian03· Google Scholar
教育经历
南京大学 2022.09 – 2026.06
软件学院 · 软件工程（学士）
实习与科研经历
OpenMOSS 团队（复旦大学）× 模思智能 2025.07 – 至今
算法实习生
- MOSS-VL 系列模型 Core Contributor，参与训练数据工作，覆盖数据基建、数据组装与交付、数据合成，贯穿预训练与后训练全阶段
MOSS-VL-Realtime 2026.04 – 2026.07
数据组装、工具、治理与合成
- 负责预训练 Stage 1–4 与 SFT 的数据组装与逐版交付：数据梳理、token 统计、配比抽取
- 开发 asb 自动化数据组装工具：配置文件驱动，按桶抽取、按类去重、bitmap 版本记录与断点续传，内置 caption / OCR 与 interleaved QA 增强器
- 参与设计数据治理体系：数据集分类规范（32 个类别）与 yml 配置文件格式；执行存量数据迁移与新旧分类映射打标
- 负责大海捞针（NIAH）任务的同源合成数据建设：覆盖 MMLongBench 大海捞针子项的 8 类任务（含文本针与图像针），合成 100K 用于预训练第四阶段退火训练、30K 用于 SFT 阶段训练
MOSS-VL 2025.09 – 2026.04
数据基建、组装与合成
- 搭建训练数据基建：视频 / 图片 / 文本预处理与去重管线、MongoDB schema 迭代与出入库流程
- 负责预训练 Stage 1–4 与 SFT 的数据组装与逐版交付：数据梳理、token 统计、配比抽取
- 设计并实现 image / video caption 数据增强方案（随机扰动、多图序列扩展、多图拼接、多视频 interleaved 等）；完成 image grounding 数据的多轮多图改造
- 完成模型身份信息数据合成全流程，量产 200K 用于预训练第四阶段（长文和退火）、50K 用于 SFT 阶段
技术报告
MOSS-VL Technical Report 2026.08
arXiv:2608.15045 · Core Contributor
arXiv:2606.07639
技能
- 编程语言：Python、Shell、C++
- 框架与工具：PyTorch、Hugging Face Transformers、SGLang、Git、Docker
- 方向相关：多模态大模型训练数据管线、大规模数据合成与清洗、模型训练与评测