马晓晨（Xiaochen Ma）

我是马晓晨，目前在香港科技大学计算机科学与工程学系攻读博士，导师是袁彬航教授和张文涛教授。我的研究方向是大语言模型数据基础设施与高性能分布式系统，主要关注如何高效处理大规模数据，并让数据处理工具更容易使用、分享和复现。相关工作主要基于 Ray 和 Apache Spark。

目前，我也在腾讯混元基础模型部担任青云计划研究实习生，工作地点在北京，参与大模型数据准备系统的开发，包括数据算子管理、去重、聚类，以及大规模文档和视频处理。

读博前，我于 2025 年 1 月至 2026 年 1 月在北京大学担任研究助理，在张文涛教授指导下负责 DataFlow 项目的研发。更早之前，我于 2023 年 7 月至 2024 年 6 月在四川大学担任全职研究助理，跟随周吉喆教授研究图像篡改检测与定位，并参与开发 IMDLBenCo。我的工作也由此从图像取证与实验工具，逐步拓展到大模型数据准备和分布式执行系统。

我于 2023 年 6 月本科毕业于四川大学计算机学院，获得计算机科学与技术工学学士学位，本科毕业论文获评优秀本科毕业论文。

代表性开源工作

DataFlow 项目负责人 · SIGMOD'27 已接收 IMDLBenCo NeurIPS 2024 Spotlight Flash-MinerU 重点推进 RayOrch 一作论文 · arXiv'26

DataFlow

项目负责人 · SIGMOD'27 已接收 LLM Data Infra Ray

项目定位

为大模型准备训练数据的开源框架，可将数据生成、清洗、评估等处理步骤组合成完整的工作流。

我的贡献

我负责项目研发，协调 10 余名同学完成系统设计、开发、代码审查和版本发布。具体参与流水线编译与执行、算子及注册机制、存储与服务接口、命令行工具的开发，以及 RayOrch 的集成。

IMDLBenCo

NeurIPS 2024 Spotlight Benchmark

项目定位

用于图像篡改检测与定位的训练、评测框架和基准，帮助研究者在统一的实验设置下复现和比较不同方法。

我的贡献

我是共同第一作者，也是代码库的设计者和主要开发者，负责训练与评测框架，并持续维护评测指标、模型库、命令行工具、测试和版本发布。

Flash-MinerU

重点推进 Ray Pipeline Parallelism

项目定位

基于 Ray 加速 MinerU 的 PDF 转 Markdown 处理，支持在多张 GPU、多台机器上批量解析文档。

我的贡献

我发起并参与核心开发，完成项目搭建和发布流程，让原本串行的处理步骤可以交错执行，减少阶段间的等待，同时维护性能测试和兼容性。

RayOrch

一作论文 · arXiv'26 Ray Async Pipelines

项目定位

基于 Ray 的数据处理框架，用于大规模文档和视频处理。例如，一份文档拆成多个页面后，系统会记录页面来自哪份文档、是否处理完成，并按原有顺序汇总结果。

我的贡献

我是论文第一作者和项目发起人，负责数据流编程模型与执行引擎的设计，重点解决拆分后任务数量不固定、结果顺序还原和错误处理等问题，并将执行引擎接入 DataFlow。

学术服务

会议审稿：AAAI'27、ICLR'27、NeurIPS'26、BMVC'26、ECCV'26、CVPR'26、ICLR'26、AISTATS'26、AAAI'25、NeurIPS'25、ICCV'25、ICML'25、CVPR'25、ICLR'25、AISTATS'25、NeurIPS'24、ACM MM'24。