我的研究聚焦于降低智能模型对人工数据的依赖。弱监督学习提供了最初的切入点：如何利用有限标注获得有效的学习信号。随着研究深入，这一问题从数据层面延伸至权重空间，通过权重融合、多任务融合、权重生成与模型编辑，复用、组合并更新模型已有的知识与能力，也由此自然拓展到大语言模型与基础模型。
这一研究脉络进一步指向以强化学习为基础的自主学习范式：通过探索、交互与反馈，让模型产生超越人类语料和标注的新学习信号，逐步从模仿既有知识转向自主获取与创造知识，为通用人工智能的发展探索可行路径。
如果你对我当前的研究方向或技术博客感兴趣，期待你随时与我邮件联系。
研究兴趣
- 面向自主智能的强化学习
- 权重生成与模型编辑
- 权重空间学习与模型融合
- 数据高效学习与弱监督学习
在研项目
- 基于可验证奖励的强化学习与后训练 进行中
探索构造可验证的奖励并鼓励模型在更大范围中进行采样和探索对强化学习的增益效果，进一步提高强化学习方法在后训练中的可用性。
- Scholarly 自进化全流程科研引擎 进行中
创业项目，主要探索全自动化的科研环境以及科研Agent的开发和落地，以及如何驱动下一代的科研基础模型的训练。
- 大语言模型权重空间的可解释性与可编辑性 进行中
主要聚焦于大语言模型的知识/经验性权重编辑，以及基于权重空间的元学习。探索如何通过对深度学习模型权重空间的理解来指导模型知识以及行为的持续性更新。
代表性论文
- AnyEdit++: Adaptive Long-Form Knowledge Editing via Bayesian Surprise
Bowen Tian, Caixue He, Jiemin Wu, Jingying Wang, Wenshuo Chen, Zexi Li, Yutao Yue
ICML 2026 · CCF-A arXivcode - Text2Weight: Bridging Natural Language and Neural Network Weight Spaces
Bowen Tian, Wenshuo Chen, Zexi Li, Songning Lai, Jiemin Wu, Yutao Yue
ACM MM 2025 · CCF-A arXivcode - PEPL: Precision-Enhanced Pseudo-Labeling for Fine-Grained Image Classification in Semi-Supervised Learning
Bowen Tian, Songning Lai, Lujundong Li, Zhihao Shuai, Runwei Guan, Tian Wu, Yutao Yue
IEEE ICASSP 2025 · CCF-B arXiv - Beyond Task Vectors: Selective Task Arithmetic Based on Importance Metrics
Bowen Tian, Songning Lai, Jiemin Wu, Zhihao Shuai, Shiming Ge, Yutao Yue
arXiv 2024 arXiv