技能库 569 个

使用汇编、intrinsics或CUDA优化深度学习算子，使其达到硬件峰值性能

设计并维护知识图谱的概念层次、关系类型和属性约束，使用OWL/RDFS等语言定义模式。

对Transformer大模型推理中的Key-Value Cache进行INT8/FP8量化或稀疏化压缩，以降低显存占用并提升推理吞吐量。

使用LoRA/QLoRA等技术微调大模型，并打包部署为可调用的API服务

部署知识图谱服务，监控数据质量、更新频率和查询性能，处理异常，确保系统稳定高效运行

使用CLIP等预训练模型提取图像与文本的对齐特征，用于多模态检索、零样本分类或跨模态相似度计算。

使用pybind11或Cython封装C++核心功能，为深度学习框架提供高性能Python API

解决不同数据源中实体冲突问题，实现实体链接、同义词合并和冲突消解，确保知识图谱的一致性与准确性。

应用vLLM、TensorRT等主流技术，系统性地降低大模型推理延迟并提高吞吐量，适用于大模型应用开发中的服务部署与性能调优。

利用规则或深度学习模型从非结构化文本中提取实体和关系，构建三元组，支撑知识图谱构建与大模型知识增强。

使用TensorBoard等工具可视化训练曲线并评估策略性能。

计算多模态模型的准确率、F1分数、召回率等分类指标，并针对多模态场景（如视觉-语言任务）处理不平衡数据集

将BERT、GPT等语言模型与知识图谱结合，用于构建智能问答、语义搜索与推理系统。

编写可复用的强化学习训练循环脚本，集成日志记录与模型保存功能，适用于大模型与智能体训练场景。

针对深度学习框架中的集合通信（AllReduce、AllGather等）进行优化，减少同步开销，提升大规模分布式训练效率。

在Transformer中实现并调试跨模态注意力层，处理图像与文本的交互。

使用PyTorch/TensorFlow等框架训练模型，并通过网格搜索等方法系统性地优化超参数，提升模型性能。

设计请求排队与合并机制，最大化GPU利用率和吞吐

使用TensorFlow/PyTorch训练并优化Wide&Deep、DeepFM等排序模型，提升推荐系统点击率与转化率。

定义深度学习计算图的中间表示（IR），并实现图优化pass（如常量折叠、算子融合），用于提升模型推理效率和框架可扩展性。

清洗、标注、增强训练数据以适配大模型训练或微调，提升数据质量与多样性。

集成INT8/FP16量化或稀疏化算子，支持模型压缩，提升推理效率并降低存储成本。

实现多智能体强化学习算法（如MADDPG、QMIX）并进行协同训练，适用于多智能体协作或竞争场景。

设计交叉验证方案，计算准确率、召回率、AUC等指标，分析过拟合与欠拟合