近日，秦浩桐加入香港理工大学计算系，出任助理教授，并获聘 Presidential Young Scholar（校长青年学者）。
港理工官网显示，秦浩桐目前的研究方向聚焦于AI效率（AI Efficiency）
，重点关注模型压缩、量化以及高效AI系统等方向。
此次加入港理工，也意味着秦浩桐正式进入独立学术研究阶段。
秦浩桐本科、博士均毕业于北京航空航天大学，博士期间曾赴苏黎世联邦理工学院访问研究，博士毕业后继续留在苏黎世联邦理工学院从事博士后研究。
博士在读期间，他曾作为讲者参与我们智猩猩的线上讲座，以“无数据模型量化方法研究”为主题，分享他在模型量化方向的研究进展。
他曾先后在字节跳动Seed、微软亚洲研究院等机构开展AI研究，长期围绕模型压缩、量化和高效AI展开探索。
今年6月，ETH官网发布消息称，秦浩桐入选《福布斯》2026年亚洲30 Under 30榜单。
相比履历本身，他长期围绕Efficient AI展开的研究更值得关注。
从早期的二值神经网络，到模型压缩、量化，再到大语言模型后训练量化，秦浩桐的研究始终围绕一个核心问题展开：如何让AI模型变得更高效。
其中，《Binary Neural Networks: A Survey》发表于2020年，目前在Google Scholar上的引用次数已经达到799次。
2024年的《BiLLM: Pushing the Limit of Post-Training Quantization for LLMs》则进一步将研究延伸到大语言模型量化，目前引用次数也已超过250次。
截至目前，他的Google Scholar页面显示累计引用超过5100次，h-index为32，i10-index为63。
这条研究路线也延伸到了开源社区。
目前，秦浩桐还维护着 Awesome-Model-Quantization 开源项目，集中整理模型量化领域的论文、Benchmark、Survey和相关工具，覆盖低比特网络、LLM、多模态模型和生成模型等方向。项目已获得超过2400个GitHub Stars。
秦浩桐的研究积累，也获得了持续的学术认可。
博士期间，他曾获 ByteDance PhD Fellowship、Baidu PhD Fellowship，并入选 MLCommons/Meta ML and Systems Rising Stars、WAIC Yunfan Award（Rising Star）。
此后，他的研究成果陆续获得 Electronics 2023 Best PhD Thesis Award、CSIG 2024 Outstanding PhD Thesis Award 等。
相关论文还曾获得 IEEE Sensors Best Paper Award 和 IJCAI-GLOW Best Paper Award。
2025年，他入选 Stanford全球前2%科学家。
从北航本科、博士阶段的学术训练，到字节跳动等科技公司的研究经历，再到ETH Zürich的科研工作，如今进入香港理工大学担任助理教授，秦浩桐的研究路径也逐渐从博士阶段和产业研究，走向独立学术研究。
而他持续深耕的AI Efficiency，也正随着大模型规模不断扩大而变得更加重要。
模型能力持续提升的同时，训练和推理成本、显存与存储需求、部署效率等问题也越来越突出。
如何在尽可能保持模型能力的情况下，进一步降低计算和部署成本，正在成为大模型走向实际应用过程中绕不开的问题。
目前，他已经开启团队招生，招收2027年春季或秋季入学的博士生，同时招收研究助理和访问学生。
研究方向聚焦 AI Efficiency，涵盖模型压缩、高效推理、AI硬件与加速，以及嵌入式与机器人系统等方向。
接下来，秦浩桐将以香港理工大学为新的科研平台，继续围绕高效AI展开研究。
END
关注+星标，获取AI前沿进展与开源一线动态