主要特性：

• 端到端流水线：音频采集、VAD、ASR 模型推理与系统集成
• 轻量级端上后处理模型，用于标点恢复与文本格式化
• 语音编辑模式：通过语音命令实现实时纠错与插入
• 可视化配置界面：模型选择、热键绑定、输入法集成
• 面向低延迟离线运行优化，无云依赖

我的贡献：

• 共同设计 DFSPH 耦合，逐步在高斯粒子上施加不可压缩约束（恒密度 + 无散度）
• 实现均匀内部填充——通过对均匀 3D 网格上平滑不透明度场的阈值化，把表面偏置的 3DGS 转换为 SPH 可用的体积
• 实现基于 SPH ∇v 的隐式协方差更新，使各向异性高斯形状在仿真中与局部流场对齐
• 在 Synthetic-NeRF（Materials、Hotdog、Ficus）场景上对比 PhysGaussian (MPM)——单一点云表示同时承担仿真与渲染，并保持液体般的连贯性与密度

我的贡献：

• 两阶段训练：先在冻结的 MAE 特征上做线性探测（8 epochs），再以更小学习率端到端微调（25 epochs）
• 类不平衡处理：基于逆类频率权重的随机采样器、AdamW + 权重衰减；自动混合精度训练保稳定
• 事后决策校准：先验调整 (logits − τ·log prior) + 类别特定偏置，抑制对 nevus 的系统性过预测
• 标准皮肤病学数据增强（随机裁剪、±30° 旋转、颜色抖动），输入归一化为 224×224

我的贡献：

• 实现多方法点云去噪流水线（统计离群点剔除、体素降采样）
• 集成基于 ICP 的位姿精化，提升传感器噪声下的定位鲁棒性
• 提升动态环境中移动操作的鲁棒性

我的贡献：

• 仿照 PyTorch 重新实现 autograd：计算图构建与反向模式微分
• 实现全连接层、激活函数和优化器（SGD、Adam）
• 在标准基准上验证以保证数值正确性

我的贡献：

• NJUOS 实验系列（2023 年春）：进程调度（轮转、优先级）、虚拟内存管理（分页、按需调页）
• MIT xv6 实验系列（2024 年夏）：基于 inode 的文件系统、基础 POSIX 系统调用、其他内核子系统
• 在教学内核的启动、调度器、内存与存储层做了系统性的动手实践

我的贡献：

• 对 LLaMA 进行领域特定问答任务的微调
• 实现高效文档检索的向量数据库索引流水线
• 构建 Vue.js 前端 + Spring Boot 后端 + RESTful API