预训练：模型架构设计和实现，持续打磨多阶段预训练技巧，结合自动化和人工筛选，持续迭代化数据配比方案（质量、类别分布、难度等），训练全尺寸Dense和MoE模型，以及探索Hybrid架构、Diffusion训练/推理等新一代大模型范式
后训练：SFT数据合成、拒绝采样、数据配比、模型训练，样本级标签体系建设，RL数据合成、Reward Model设计、router replay、RL算法创新，显著提升alignment阶段模型生成能力
数据&评测：持续改进数据体系pipeline，包括：数据收集、清洗、去重和配比等，合成各种高质量agentic/reasoning训练数据，提升模型通用能力
持续完善大模型评估体系和Bench，能有效评估STEM、math、code、知识、指令跟随、多语言等维度能力