苏黎世联邦理工博士后李冰聪将入职港大，专攻智能Scaling范式！

苏黎世联邦理工学院（ETH Zurich）计算机科学系博士后研究员李冰聪（Bingcong Li）即将加入香港大学，担任长聘教轨助理教授。

李冰聪本科毕业于复旦大学信息科学与工程学院，以最高荣誉（Highest Honors）获得工学学士学位，期间还获得过两次国家奖学金。随后他前往美国明尼苏达大学攻读电气与计算机工程博士，并于2022年获得博士学位。2024年，他加入了ETH Zurich计算机科学系担任博士后研究员，曾获得多项瑞士人工智能计划（Swiss AI Initiative）算力资助。

在大模型持续规模化的背景下，参数规模和计算资源的增长已经成为提升模型能力的重要手段。但模型越大，效果就一定越好吗？

2026年9月，李冰聪在个人研究博客《Scaling Almost Anything?》中讨论了这一问题。

他指出，参数量只是衡量模型容量的一个粗略指标，真正重要的是训练过程能否有效利用这些容量。文章从三个案例展开分析：

• LoRA微调中，增加Adapter Rank不一定带来更好的效果；

• 部分Transformer网络层可能没有充分发挥作用；

• 在采用共享专家的MoE模型中，激活更多专家也不一定持续改善性能。

这些案例指向同一个问题：增加参数并不一定带来能力提升，新增的模型容量如果无法被训练过程有效利用，就可能转化为额外的计算成本。

因此，除了扩大模型规模，如何通过架构设计与优化方法提升模型容量的利用效率，同样值得关注。

在2026年的学术报告《Efficient Scaling of LLMs via Optimization-Aware Architecture Design》中，他将模型规模化分为Width Scaling和Depth Scaling两个维度。

前者关注如何通过引入流形结构改善神经网络线性层的规模化效率，后者则研究残差连接的拓扑结构如何影响模型优化与收敛。相关研究还涉及大语言模型预训练、DiT和强化学习等任务。

围绕模型训练效率，李冰聪还开展了零阶优化、低秩适配等研究。例如发表于ICML 2024的DPZero探索结合零阶优化与差分隐私，在不依赖传统反向传播的情况下实现语言模型隐私微调。

在参数高效微调方面，他还参与了多项围绕LoRA的研究。其中RefLoRA和PoLAR两项工作发表于NeurIPS 2025，分别从低秩适配器的重新参数化和极分解表示出发，探索更高效的模型微调方式。

从网络架构设计到优化算法，再到模型微调，李冰聪的多项研究始终围绕大模型的高效Scaling展开：如何在模型规模持续增长的同时，降低训练成本、提升计算效率。

随着Scaling成为大模型发展的重要驱动力，模型竞争也不再只是参数、数据和算力的比拼。如何通过更合理的架构设计与优化方法，进一步释放模型规模化的潜力，仍有许多问题值得探索。

李冰聪即将加入香港大学开启新的学术阶段，未来他将如何推进AI规模化与高效优化方向的研究，值得持续关注。