我是詹佳博（Jiabo Zhan），即将于清华大学攻读计算机技术硕士学位，导师为袁春教授。我于 2026 年获得北京航空航天大学软件工程学士学位，本科期间以 GPA 3.873/4.0、专业排名 2/172（前 1.2%）毕业。
我的研究兴趣包括计算机视觉、多模态大模型（MLLM）、强化学习、生成式人工智能（AIGC）和文档智能。近期工作主要围绕透明及分层 RGBA 图像生成、高效文档解析、多模态数据构建与评测展开。
我的论文目前已获得 14 次 Google Scholar 引用，引用数据每日自动更新。
🔥 最新动态
- 2026.09: WeVisDoc 技术报告发布，面向鲁棒端到端文档解析，代码与 2B/4B 模型权重已开源。
- 2026.08: PaDoc 正式发布，代码与模型权重已开源。
- 2026.08: 🎉 OmniAlpha 被 ACM Multimedia 2026（ACM MM 2026）录用，并入选 Oral Presentation（口头报告）！
- 2026.04: OmniAlpha 完成重要更新，引入面向透明感知生成的多任务强化学习。
- 2025.11: OmniAlpha 正式发布，代码与模型权重已开源。
- 2025.07: AlphaVAE 正式发布，代码、数据与模型已开源。
📝 论文
OmniAlpha: Aligning Transparency-Aware Generation via Multi-Task Unified Reinforcement Learning
Hao Yu*, Jinglin Wang*, Jiabo Zhan*, Rui Chen, Zile Wang, Huaisong Zhang, Hongyu Li, Xinrui Chen, Yongxian Wei, Chun Yuan
* 共同一作。ACM Multimedia 2026。 ORAL PRESENTATION
- 统一处理图像抠图、目标移除、图层分解和 RGBA 生成等透明感知生成与编辑任务。
- 个人贡献：参与多任务数据 schema 与评测流程设计、训练数据构建与治理，以及多任务 SFT 和 GRPO 风格强化学习后训练；在图层分解任务上实现 RGB L1 相对降低 9.07%。
Zile Wang, Hao Yu, Jiabo Zhan, Chun Yuan
- 面向端到端 RGBA 图像重建与透明图像生成的 Alpha-aware VAE，并配套提出 ALPHA 评测基准。
- 个人贡献：完成 8,124 张高质量 RGBA 训练样本的收集、清洗与治理，并参与 benchmark、评测代码和 LoRA 数据迭代流程设计。
技术报告
WeVisDoc: From Coverage to Capability for Robust End-to-End Document Parsing
Hao Yu*, Kang Liu*, Linnan Zhao*, Jiabo Zhan*, Chong Sun, Chen Li, Jing Lyu
* 共同一作。技术报告，2026。
报告 / PDF / 项目主页 / 代码 / 模型（2B） / 模型（4B）
- 提出两阶段数据驱动框架：先扩展文档数据覆盖，再通过残余错误诊断指导定向数据构建与训练预算分配，提升端到端文档解析的鲁棒性。
- WeVisDoc-4B 在 OmniDocBench v1.6 上取得 95.38 的 Overall 分数，在 PureDocBench 三个赛道上的平均 Overall 分数为 75.54，在四项设置中均位列所比较的端到端解析器第一。
🎓 教育背景
研究方向：计算机视觉、多模态大模型与强化学习。
专业排名 2/172（前 1.2%），免试攻读清华大学计算机技术硕士学位。
💼 科研与实习经历
- 参与构建页面级多模态理解 pipeline，将商品详情页、商品图片与营销文案转化为结构化属性、脚本及生成视频。
- 负责图文样本和指令数据构建与清洗、prompt 模板迭代及离线评测，重点关注视觉 grounding、结构化信息抽取和多轮生成质量。
- 基于 Qwen3-VL 构建融合相机图像与车速、位置等 rosbag 结构化信号的路况分类方案，完成评测集、prompt 与离线评测流程设计。
- 将高成本 Gemini-2.5 Pro 流程迁移为可部署的开源 VLM 方案，在接受准确率由 80% 降至 70% 的情况下，将分类成本降低约 80%。
🏆 奖项荣誉
- 国家奖学金：2022–2023、2023–2024 学年。
- 连续三个学年获评北京航空航天大学校级三好学生，并获校级优秀团员。
- 三星奖学金（2024–2025 学年）；全国大学生数学竞赛北京市一等奖。
🛠 专业技能
模型与训练
VLM、VAE、DiT、多任务 SFT、GRPO 风格强化学习后训练；熟悉 DPO 与 PPO。
数据与评测
训练数据构建与治理、benchmark 设计、评测流水线、离线评测及误差分析。
多模态理解
视觉 grounding、OCR、版面分析、关键信息抽取及图像—文本—结构化信号联合建模。
工程能力
Python、PyTorch、C/C++、Java；具备多模态 pipeline 工程化与产品化落地经验。
外语能力
英语 CET-4：662 分，CET-6：633 分。
其他经历
《大学英语》《编译技术》课程助教；志愿北京累计 250 小时。