用 Python 在知识图谱上做表示学习，把实体和关系训练成向量，方便做链接预测和关系推理。

统一训练通用时间序列预测 Transformer 的开源实现，提供预训练模型与表示学习方案，让不同频率和领域的时间序列共用一套模型完成预测。

把视觉语言模型变成通用多模态嵌入模型，配套 MMEB 系列基准，用于图文视频检索和 RAG 场景的表示学习评测。

用 Python 实现 node2vec 图嵌入算法，把网络中的节点映射成低维向量，方便下游做节点分类、链接预测等图学习任务。

基于属性解耦表示学习实现通用 SDR 到 HDR 视频转换，来自 AAAI-26 oral 论文，可把普通视频提升为高动态范围画面。

提出统一的神经场公式 Factor Fields 和字典分解方法 Dictionary Fields，用更紧凑的表示提升三维场景重建与神经渲染效果。