冷启动健康报告 0→1（已上线生产）

新用户没有历史数据，首份报告决定信任与留存。负责报告生成链路的生产化与质量体系。

• 介入时仅有 Python 原型：主导 Go 生产化重写，以黄金测试集验证双实现行为等价，稳定服务全量用户。
• 从零搭建评测 harness（LLM-as-judge pairwise 校准、回归门禁）接入 Langfuse，经 badcase 分析定位能力短板，形成评测-迭代闭环。
• 独立定位并闭环两类生产故障（报告永久卡死、队列优先级饿死），推动多语言 prompt 与口吻个性化 A/B 上线。

体检报告解读产品线 0→1（一期已落地）

体检报告非结构化、解读依赖人工。从零建设数据侧解析、判档与评测底座。

• 介入时解析路线未定：主导多引擎 PDF 解析横评选型，以扫描件实测确立技术路线；设计四层架构落地数据底座，打通报告到指标的首条链路。
• 判档规则原本散落多处：统一收口为 registry 单一事实源，跨多个代码仓推动业务场景 diff 归零。
• 以飞书评审流与临床营养师协作收敛判档口径，沉淀评测判据治理源，成为跨团队评审基础设施。

评分算法 spec 与数据可信度治理

评分要可信，先让数据可信；数据要可信，先让污染可归因。

• 执笔健康评分算法 spec，设计可信度降级机制，主导落地生产并按端到端实测迭代。
• 定位并根治多源数据污染（睡眠时长虚高、重复上报致打分污染），建立评分血缘回放，任何一个分数可逐层归因至原始输入。

医学多模态训练数据管线

• 搭建大规模医学图文配对训练数据管线，建立 Gold/Silver/Bronze 三层质量体系与分层抽样。
• 参与医学文生图论文复现与评测协议鉴证。

TextMamba3D：文本引导何时有效

基于统一 Mamba 架构系统研究文本引导 3D 脑肿瘤分割，从模型实现、受控实验到科学发现的完整研究闭环，论文撰写中。

• 独立实现 ~1.3 亿参数统一 Mamba 分割模型（六向 CrossScan + PubMedBERT 双路融合），BraTS2020 TextBraTS 测试集 Mean Dice 84.79% 超 nnU-Net 基线，单卡 8GB 可训练，开源附 214 项单元测试。
• 经 10+ 版本受控实验发现反直觉「相变」：同域监督预训练令文本增益精确归零（绝对分 0.8753 反超 SOTA），穷尽 9 种补救策略证明与融合机制无关；再实证自监督预训练可恢复增益（ET +1.25%）。
• 自研 AutoResearch 实验编排框架：LLM 生成假设、自动生成 notebook、云端执行、结果回收，27 组筛选实验零人工值守跑完。

合成病理数据的下游验证

• 以 WGAN-GP / DDPM 批量生成合成病理切片做下游分类验证，多种架构表现趋同，实证「数据质量足够高时，模型架构退居次要」。