东南大学 · 计算机科学与技术 · 工学学士
- 成绩排名：GPA 3.87 / 4.0，专业排名 2 / 186；核心课程：机器学习、计算机体系结构、操作系统、编译原理、概率论与数理统计。
- 外语水平：CET-6 601，TOEFL 105（Speaking 23）；能够熟练阅读英文文献并撰写英文论文。
东南大学 · 计算机科学与技术学院
林望舒
2022 级本科生 · 申请 2026 级博士研究生 · 高性能计算实验室
研究兴趣：机器学习系统 / 大模型推理优化 / 高效深度学习编译
138 0000 0000 wangshu.lin@example.com wangshu.example.com github.com/example
RESEARCH CV
Systems × AI
PhD Application
教育背景
南山大学 · 计算机科学 · 学期交换
- 修读《高级机器学习》《分布式系统》并均获 A；参与系里公开组会与论文研读讨论。
科研经历
面向长上下文推理的 KV 缓存压缩 · 校级科研训练项目（SRTP）核心成员
指导教师：周砚秋 教授 · 高性能计算实验室
41%显存峰值降低
128K单卡稳定上下文
12评测数据集
MLSys 2026 Workshop
Under Review
Under Review
- 问题与动机：针对长上下文场景下 KV 缓存显存占用随序列长度增长的问题，调研 PagedAttention、量化与稀疏化三条技术路线并形成综述报告。
- 方法与实现：在 vLLM 推理框架上实现分块 KV 缓存与按需淘汰策略，结合 token 重要性评分将显存峰值降低 41%，支撑 128K 上下文在单卡 A100 上的稳定推理。
- 实验与验证：设计覆盖 12 个数据集、3 类负载的评测流水线，与 5 个基线方法对比吞吐与精度损失，已投稿 MLSys 2026 Workshop（在审）。
大规模分布式训练加速 · 云启科技 AI 平台部 科研实习
- 个人工作：参与千卡集群训练任务的性能剖析，定位通信与计算重叠不足的瓶颈，重构梯度同步路径并实现分桶重叠调度。
- 量化结果：在 512 卡 BERT-Large 预训练任务上将端到端吞吐提升 18%，相关优化合入内部训练框架并沉淀 2 篇技术文档。
- 协作方式：与 SRE 团队共建故障注入与容错测试集，完成 3 轮集群级演练报告，训练中断恢复时间从分钟级降至秒级。
- 技术沉淀：调研通信量化与稀疏梯度在混合精度训练中的适用边界，输出内部技术评审报告并被采纳为后续迭代方向。
轻量级推理引擎内核优化 · 课程综合设计（评分 A+，全班前 3%）
- 基于 C++ / CUDA 实现算子融合与 Winograd 卷积优化，在 ImageNet 子集上将 ResNet-50 推理延迟降低 27%。
- 编写完整的基准测试与数值一致性校验脚本，代码以开源形式整理并附实验复现说明。
论文与成果
- Wangshu Lin, Yanqiu Zhou, et al. "Block-wise KV Cache Compression for Long-context LLM Inference." MLSys 2026 Workshop 在审.
- 林望舒, 陈叙白. 《面向千卡集群的梯度同步分桶重叠调度方法》. 《东南大学学报（自然科学版）》已录用.
- Wangshu Lin, Xubai Chen. "Measuring Communication-Computation Overlap in Large-scale Training." 第一届学生系统研讨会海报（2025）.
开源与学术服务
TorchKV · 开源 KV 缓存压缩工具库
- 发起并维护（github.com/example/torchkv，950+ star），提供多种缓存淘汰与量化策略的可插拔实现，附完整文档与复现实验。
《计算机体系结构》课程助教 · 东南大学
- 负责实验课答疑与 RISC-V 流水线作业批改，整理 3 份被后续学期沿用的实验讲义。
荣誉与奖项
- 国家奖学金（2024，全院 2 人）
- 全国大学生数学建模竞赛一等奖（2024）
- 校一等奖学金 × 2（2023、2025）
- 校"优秀学生标兵"（2025）
- 全国大学生系统与体系结构竞赛二等奖（2025）
- 东南大学"十佳本科生科研团队"成员（2025）
未来研究设想
- 近期：将 KV 缓存压缩工作扩展到投机解码与多模态推理场景，系统刻画压缩率、精度与吞吐的权衡面，形成完整的方法体系。
- 长期：关注推理服务与编译协同优化的系统栈，希望参与从算子、运行时到集群调度的一体化高效推理研究。
专业技能
- 系统与并行：熟练使用 C++ / CUDA / Python / Rust，了解 Triton；熟悉 PyTorch、分布式训练（DDP/TP/PP）与 vLLM 推理栈。
- 工程与研究工具：熟悉 Linux 开发环境、Slurm 集群调度、Git 协作与实验管理；能独立完成文献调研、实验设计、论文写作与复现包整理。