最近发现贡献分配是团队合作的一大难点， 产出的商业价值， 在不同场景下如何分配：

1. 年终打绩效时，手底下不同员工负责不同项目，做的事情都不一样，怎么比较来分配。
2. 一个组内的领导或者组织者，和实际手底下干脏活的人谁贡献大；
3. 在一线调试的员工，和在家里负责版本的研发谁贡献大；
4. 负责预埋技术的研究人员，和负责当季度软件版本交付的人谁贡献大。

但是注意：贡献分配不是为了“分高下”，而是为了“定义导向”。如果你希望团队更有创新性，就重赏 SE；如果你希望项目交付更稳健，就必须重赏那些默默把“脏活”干得极其漂亮的人。

SE 的主要工作拆解

2025年被说成是Agent元年，

RL 相关的洞察: 算法趋势、热点模型策略、框架优化、实验规律、流派观点

工作之后，技术其实不是最重要的，如何商业变现才是最重要的（如何多赚钱，持续赚钱，健康增长赚钱），设计好的商业模式是最重要的。

例如，Ascend做什么开源仓，除了考虑社区技术趋势，只要客户买卡，哪怕客户的框架是自娱自乐，我们也会无条件支持。

大语言模型、多模态模型是如何设计来实现高效Mem机制。

QCC（Quality Control Circle, 质量控制小组）：由一小群员工组成的团队，定期开会以识别、分析和解决与工作相关的质量问题。起源于日本，广泛应用于制造业、医疗保健和服务行业。

也被用在华为的开发流程中，用于发现问题，分析、设计并解决问题，最后落回版本能力。

DFX：常常是穿刺完功能后，的补充设计和代码重构，

• SGLang ， 24年1月开源，这是一个由 LMSYS Org 团队开发的、面向大语言模型（LLM）和视觉语言模型（VLM）的高性能、开源通用服务引擎。
• 性能更加惊艳。在运行 Llama 3.1 405B 时，它的吞吐量和延迟表现都优于 vLLM 和 TensorRT-LLM，甚至能达到 TensorRT-LLM 的 2.1 倍，vLLm 的 3.8 倍。
• 业界 xAI 的 Grok2 目前已采用 SGLang 作为其 LLM 推理引擎， 显著提升了分析信息和输出响应速度。Microsoft Azure 使用 SGLang。

DiffSynth-Studio 是由魔搭社区（ModelScope, 阿里2022年11月开源的模型社区）算法工程师段忠杰主导开发的开源扩散模型引擎，致力于构建统一的 Diffusion 模型生态。该项目支持多种主流文生图/文生视频模型（如 Stable Diffusion、可图、CogVideoX），并兼容 ControlNet、LoRA、IP-Adapter 等生态模型，显著提升中文场景下的生成能力。[^1]

ms-swift[^3]是魔搭社区提供的大模型与多模态大模型微调部署框架，现已支持600+纯文本大模型与300+多模态大模型的训练（预训练、微调、人类对齐）、推理、评测、量化与部署。

• 其中大模型包括：Qwen3、Qwen3-Next、InternLM3、GLM4.5、Mistral、DeepSeek-R1、Llama4等模型，
• 多模态大模型包括：Qwen3-VL、Qwen3-Omni、Llava、InternVL3.5、MiniCPM-V-4、Ovis2.5、GLM4.5-V、DeepSeek-VL2等模型。

除此之外，ms-swift汇集了最新的训练技术，包括集成

• Megatron并行技术，包括TP、PP、CP、EP等为训练提供加速，
• 以及众多GRPO算法族强化学习的算法，包括：GRPO、DAPO、GSPO、SAPO、CISPO、RLOO、Reinforce++等提升模型智能。
• DPO、KTO、RM、CPO、SimPO、ORPO等偏好学习算法，
• 以及Embedding、Reranker、序列分类任务。

ms-swift提供了大模型训练全链路的支持，包括使用

• vLLM、SGLang和LMDeploy对推理、评测、部署模块提供加速，
• 以及使用GPTQ、AWQ、BNB、FP8技术对大模型进行量化。