20260215 榜样力量 研究生国家奖学金获得者专访 范梅浩 李好洋

信息来源：中国人民大学信息学院 发布日期：2026年2月14日

近日，教育部发布公告，公布2024-2025学年度研究生国家奖学金获奖学生名单，我院谢冬晨、许骞、陈晓栋、吕筱玮、马泽尧、赵文昊、胡建勇、范梅浩、陈思蓓、陆齐、王硕、杜盼、官佳薇、李好洋等14位同学荣获研究生国家奖学金！

青春铸魂，榜样领航。为发挥优秀学子的示范引领作用，凝聚奋进力量，学院特推出2024-2025学年国家奖学金获得者系列专访。通过挖掘他们在逐梦路上的坚守与探索、突破与成长，展现信院学子“敢为人先，科技报国”的精神风貌。愿这些滚烫的青春故事，能为每一位追梦人注入前行动力，激励全院同学在青春赛道上书写属于自己的精彩篇章！

范梅浩：智研数据，慧泽千行

范梅浩，共青团员，中国人民大学信息学院2025 级计算机科学与技术专业博士生，师从范举教授，主要研究方向为基于大模型的自动化数据准备技术。目前已产出数据管理领域国际顶级会议论文 3 篇，其中AutoPrep: Natural Language Question-Aware Data Preparation with a Multi-Agent Framework被 VLDB 2025 录用，Cost-Effective In-Context Learning for Entity Resolution: A Design Space Exploration被 ICDE 2024 录用，另有 1 篇AutoPrep2: General Automatic Data Prep System拟投稿至 VLDB 2026。曾获校级 “中国人民大学拔尖人才资助计划”“三好学生” 等荣誉。

范梅浩的科研道路始终以解决实际数据处理痛点为导向，深耕自动化数据准备领域。当下，数据处理的效率问题已然成为横亘在诸多领域前的共同难题，表格里沉默的数字与文字本应提升决策的效率，却往往在繁琐的数据处理过程中消耗人们大量的时间。为此，他便走上了这一条优化之路，聚焦大模型的语言理解与代码生成能力，致力于构建通用的自动化数据准备系统，通过技术创新为各行业数据处理降本增效。

在核心研究中，范梅浩围绕 “精准性”“通用性”“性价比” 三大关键问题展开突破。面对“请分析去年各区域销售趋势”这样的自然语言指令，传统方法往往束手无策。他埋首于代码与论文之间，针对表格问答场景的数据准备需求，提出子句链推理方法，构建多智能体系统统一异质表格数据。这项技术融入现有框架后，在多个主流数据集上，不同大模型的问答精度平均提升了12%到17%。

范梅浩在此基础上深入思考，认为真正的智能不应只擅长回答预设好的问题。他渴望扩展系统的通用性，以应对数据准备中千变万化的挑战。于是实验室的灯火见证了他新一轮的攻坚，他设计了基于算子链路探索树的搜索框架与SFT +强化学习的智能体训练框架，解决多算子规划中“生成不准确”“探索不充分”的问题。实验结果表明相比SOTA的ReACT框架，系统在面对复杂任务时展现了惊人的2.5倍效率提升，而8B参数量模型可达到685B模型的数据准备能力。

但范梅浩始终记得技术的重要属性是普惠。“如果创新只能停留在论文里，它的价值就打了折扣。”针对实体解析这一关键数据准备任务，他巧妙设计的批量处理框架与智能选择策略，在确保精度提升的同时，将使用成本降低了30%以上，标注成本更是大幅下降超过60%。在他看来，好的技术应当是高性价比的，是能够真正走入产业场景、为一线工作者减负的伙伴。

这条科研之路从不孤独，范梅浩积极参与学术交流与学科服务，在学术与实践的双重土壤中扎根生长。他曾作为志愿者参与ICDE 2024、VLDB 2025等国际会议的审稿辅助工作，协助导师指导硕士生开展数据管理相关研究，并与相关企业合作，致力于将研究成果与企业数据处理场景对接。在实验室里传递自己的经验与热忱；在工业界中淬炼自己的代码与成果。

范梅浩偶尔会回想起自己研究的起点：人们伏案于繁杂的数据准备工作，宝贵的创造力被琐碎的操作所消耗。如今，他正一步步将自己最初的愿景变为现实。未来，他将继续拓展系统的边界，探索多模态数据的处理，增强跨领域的适配能力——他相信，毕业前构建出一个真正可落地、能惠及更多行业的实用系统，这个目标并不遥远。他也会保持严谨务实的科研态度，带动身边同学共同探索学术前沿，展现计算机专业学子 “敢创新、能攻坚、重实践” 的良好风采。

李好洋：打通语义，赋能系统

李好洋，中共党员，中国人民大学信息学院2021级大数据科学与工程专业博士研究生，师从张静教授与李翠平教授。他的研究聚焦于大语言模型驱动的智能化数据库系统，致力于打通自然语言与数据库之间的语义鸿沟，构建从高层交互接口到底层性能优化的全栈式智能数据库技术体系。在博士阶段，他以第一作者身份在人工智能与数据库领域顶级会议（AAAI、SIGMOD、VLDB）发表论文3篇，并以共同第一作者身份发表CCF-A类论文3篇（SIGMOD、VLDB、ACL），谷歌学术总引用达790余次，其中一作工作被引超650次。

李好洋的研究主线围绕Text-to-SQL这一核心任务展开，并逐步向数据库底层优化延伸。他在Text-to-SQL方向提出了一系列具有广泛影响力的创新方法。在AAAI 2023发表的 RESDSQL 工作中，他首次将任务解耦为“模式链接”与“骨架解析”两个子问题，显著提升了复杂数据库场景下的准确率，该方法被后续大量研究采纳为标准组件，并被Google DeepMind团队评价为“微调范式下的SOTA”，目前引用达300多次。

而面对开源大模型能力不足的挑战，他在SIGMOD 2024提出的 CodeS 构建了首个面向Text-to-SQL的垂直领域预训练语言模型，通过十亿级SQL语料增量训练，在多个榜单长期保持领先。同时，为解决领域长期缺乏高质量数据的瓶颈，他在VLDB 2025发表的 OmniSQL 中设计了一套全自动、可扩展的Text-to-SQL数据合成框架，发布了全球首个百万级合成数据集SynSQL，并基于此训练出性能超越GPT-4o的开源模型系列，项目GitHub星标迅速突破400，模型下载量超10万次。

在深耕Text-to-SQL的同时，李好洋积极推动大语言模型向数据库底层优化延伸。他怀揣着主动承担、悉心指导的团队责任感，以共同第一作者身份带领实验室师弟师妹开展了多项探索性工作。他深度参与了从问题定义、方法设计、实验安排到论文写作的全过程，帮助师弟师妹们构建系统思维、提升工程能力，逐步实现从科研入门到顶会发表的成长。

在VLDB 2026发表的 E2ETune中，他与师弟师妹们首次实现端到端的数据库参数调优，将LLM直接用于knob tuning，摆脱了传统黑盒优化的局限；而他们在SIGMOD 2026提出的 AgentTune 构建了首个纯LLM智能体驱动的数据库调优框架，赋予系统自主决策与迭代优化能力。在ACL 2025的工作中，他们则深入探究思维链推理对偏好优化的影响，为Text-to-SQL的对齐学习提供了新范式。

李好洋认为，真正有生命力的智能技术，必须既能理解人类意图，也能在真实环境中有效行动。过去几年，他致力于让大语言模型“理解并熟练操作数据库”；而如今，他正将目光投向更广阔的物理世界——具身智能。他相信语言模型的价值不应止步于数字空间的推理与生成，而应延伸至与物理环境交互、执行任务、服务人类的实体智能体中。

在李好洋身上，我们看到了一种属于当代科研人的独特气质：既有深耕基础研究的沉静与耐心，又有传递学术薪火的责任与担当。未来，他计划在具身智能的系统架构、训练范式与评测基准等方向持续深耕，推动AI从“会说话”走向“能做事”。秉持“从真实需求出发，向物理世界落地”的科研信念，在具身智能这一前沿交叉领域稳步前行。