聚焦于构建具备深度语义理解与复杂推理能力的神经网络系统，以 Transformer 架构为核心，通过海量文本数据预训练形成通用语言表征，其核心研究方向涵盖：①高效训练与微调技术，如检索增强生成（RAG）结合外部知识库提升生成准确性，LoRA、QLoRA 等低秩适配方法在冻结主干参数的同时实现轻量微调；②动态推理与泛化能力，包括上下文学习（ICL）通过提示示例实现零样本 / 少样本任务适配，思维链（CoT）和多模态交互技术（如 MLLM 融合视觉编码）突破单一模态限制；③工程化与应用落地，如大模型 Agent 在自动化网页导航（AUTOWEBGLM）、软件开发（AutoDev）等复杂场景的部署，以及 RAG 在问答系统、代码生成中的垂直领域优化。