信息来源：中国人民大学信息学院 发布日期：2026年1月26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！

陈晓栋：求精务实，致效于行

陈晓栋，共青团员，信息学院2024级电子信息专业硕士研究生，师从张静教授。他的研究方向聚焦于高效大语言模型，致力于通过模型压缩、剪枝与蒸馏等技术，在保障性能的同时显著降低存储与推理成本。研究生阶段，他以出色成绩获得学业一等奖学金，并保持平均学分绩点3.88。至今已以主要贡献者身份在ACL、ICLR等人工智能顶级会议上发表多篇论文。

在ICLR会议上

自入学以来，陈晓栋已完成了多项具有创新性的工作，其中首个创新工作是SP³，一种基于L0 Mask的训练时结构化剪枝方法，该方法通过引入可学习的掩码机制，在训练过程中智能识别并剔除冗余结构，在 Bert 和 TinyLlama 等多个模型上均取得了领先的性能表现。这一成果已发表于ACL 2024 Findings。

ICLR会议上讲解Poster

深耕学业：筑牢根基，追求卓越

陈晓栋完成的另一项重要工作是 LLM-Streamline，该方法通过分析层间输入与输出的余弦相似度，精准识别模型中的冗余层，并采用轻量级蒸馏模型进行替代。在 Llama3.1-70B 上的实验表明，该方法能够减少 30% 的层数与参数量，同时保持 96.5% 的原始性能。目前，这项创新性工作已被 ICLR 2025 接收为 Spotlight 论文。

ICLR会议上Poster展示

科研探索：聚焦前沿，敢为人先

随着研究的深入，他发现剪枝后的模型通常需要后训练来恢复性能。为了系统性地解决这一问题，他与团队成员们合作提出了P² Law，即“压缩后模型恢复训练的Scaling Law”。通过大量实验，他们发现了恢复训练过程中的两个关键规律：模型规模与损失下降速度的负相关关系，以及训练损失与剪枝率之间的幂律关系。基于这些发现构建的Scaling Law，能够为不同规模的数据集、剪枝率和模型参数量提供最优的后训练策略指导。该项研究成果已被ACL 2025主会接收。

在蚂蚁集团 InclusionAI 实验室实习期间，陈晓栋主导研发了一种面向混合专家模型的创新压缩方法MoBE，通过秩分解和基底矩阵重参数化技术，突破了传统 SVD 方法对低秩假设的依赖。在 Qwen3-235B、DeepSeek-V3 等前沿模型上的实验证明，MoBE 能够在压缩 25%-30% 参数量的情况下，保持 98% 以上的模型性能。

回望一路的科研旅途，陈晓栋认为，高效研究需要在效率与性能间找到平衡。未来他计划继续研究高效大语言模型，开发轻量化且性能强大的模型架构，推动其在资源受限环境中的应用，同时他也期待与更多学界和工业界的研究者开展深入合作。他感谢一直以来导师的引领、团队的支持，也感谢始终专注向前的自己。他将坚持以“研究更高效、更快、更小的大语言模型”为宗旨，在人工智能领域稳步前行。

胡建勇：向光而行，破土而生

胡建勇，共青团员，中国人民大学信息学院2023级管理科学与工程专业硕士研究生，师从余力教授。研究方向聚焦推荐系统与大语言模型，致力于提升多模态能力与序列推荐效果。曾获国家奖学金、优秀毕业生、学习优秀奖学金等多项荣誉，并以主要贡献者身份在CCF A类期刊TOIS上发表论文。参与国家自然科学基金、北京市社科基金等多项国家级科研项目。

刚接触科研时，面对海量文献与持续迭代的模型体系，胡建勇曾陷入方向抉择的困惑：如何在纷繁复杂的研究领域中锚定具有核心价值的科学问题？“做科研要深入浅出，自己先研究透彻才能让其他人一目了然。”

基于此，胡建勇将研究聚焦于短视频多模态推荐领域，针对短视频场景下的视觉、文本等多模态特征展开专项建模。为解决模态间信息异构性与交互不足的问题，他引入蒸馏学习与对比学习双机制：通过蒸馏学习实现模态信息的提纯与增强，保留关键特征的同时降低冗余；借助对比学习强化跨模态特征的关联性与判别性，促进不同模态间的深度交互与语义对齐。

在研究过程中，他通过大量实证分析发现，不同平台的多模态信息（包括但不限于视觉内容表征、文本语义信息、模态交互模式等）在用户兴趣建模中存在显著异质性影响，这种差异直接作用于用户兴趣的捕捉精度与演化预测效果。最终该研究成果被TOIS期刊接收。

在校园之外，胡建勇也曾在苹果（中国）公司、美团公司进行实习，负责数据科学和推荐算法相关的工作。在苹果供应链团队为解决用户在线反馈问题，搭建了基于LLM的社交媒体平台客户反馈分析应用，将线上热搜转化为可支持供应链优化的业务语言。在美团，针对外卖场景，他主要参与了跨域学习和生成式推荐相关的工作，面向不同场域的用户兴趣，通过蒸馏学习方式进行多目标模型的迁移学习。在千万用户级的应用场景提升了推荐模型效果和用户使用体验。

学习之余，胡建勇亦积极参加校园学生工作。他曾是信息学院研究生会与校研究生会的宣传骨干，参与运营“中国人民大学研究生会”“信火相传info”等多个校园公众号，也负责策划时尚生活、摄影展览、舞会联谊等多场重大活动，累计发布推文73篇，仅在“RUC春日摄影展”活动中便征集作品近500份。在他看来，科研需要严谨，宣传则讲究“网感”，如何在学术推送中讲述既有高度又有温度的故事，是一个值得深思的问题，也是宣传必备的能力。

回望两年的来时路，代码、公式、像素和字符填满他的世界。胡建勇在科研中学会“把未知变成已知”，在宣传中“把已知讲成故事”，在实习里把故事写进真实的商业世界。展望未来，他想继续做一个“算法世界的手艺人”，左手用论文拓宽人类知识的边界，右手用代码改善普通人们的每一次点击与选择。