马晓晨（Xiaochen Ma）

马晓晨，香港科技大学计算机科学与工程学系博士生，师从袁彬航教授和张文涛教授。主要研究大语言模型数据基础设施（Data Infra）与高性能分布式系统，关注面向大规模 LLM 数据准备的系统设计与性能优化，包括构建易使用、易分发、易复现的数据算子管理系统，以及基于 Ray 和 Apache Spark 的高性能数据处理。此前的研究还包括 Data-centric AI 数据准备系统、图像取证，主要涉及图像篡改检测与定位。

攻读博士学位前，曾于 2025 年 1 月至 2026 年 1 月在北京大学任研究助理，师从张文涛教授，从事大语言模型数据准备系统；2023 年 7 月至 2024 年 6 月在四川大学任全职研究助理，师从周吉喆教授，研究图像篡改检测技术。

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 · 投稿 SIGMOD'27 IMDLBenCo NeurIPS 2024 Spotlight Flash-MinerU 重点推进 RayOrch 重点推进

DataFlow

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

项目定位

面向大模型数据准备的可组合数据流水线与工作流系统，覆盖数据生成、清洗、评估与编排。

我的贡献

项目负责人及核心贡献者，协调 10 余名同学推进系统设计、开发、代码审查、集成与发布；工程工作覆盖流水线编译与执行、Operator 与 Registry 设计、存储、服务、CLI 工具及 RayOrch 集成。

IMDLBenCo

NeurIPS 2024 Spotlight Benchmark

项目定位

面向图像篡改检测与定位的模块化训练评测代码库与综合基准。

我的贡献

共同第一作者、代码库设计者与主要开发者；负责模块化训练评测框架设计，并持续维护指标、模型库、CLI、打包发布与测试。

Flash-MinerU

重点推进 Ray Pipeline Parallelism

项目定位

基于 Ray 的 MinerU 加速层，将 PDF-to-Markdown 解析升级为可扩展的多 GPU、多节点数据流水线。

我的贡献

项目发起与核心开发；完成初始工程与发布流程，并将串行阶段重构为支持跨阶段重叠的异步流水线，同时维护性能基准与兼容性。

RayOrch

重点推进 Ray Async Pipelines

项目定位

面向异步 Ray 流水线的轻量编排库，提供 RayModule、微批重叠执行与 DAG 调度能力。

我的贡献

项目发起与核心开发；搭建编排抽象与多模型示例，持续完善 RayModule 和流水线执行器，并将 RayOrch 集成至 DataFlow 的并行算子执行路径。

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。