# Han Fang

> Han Fang 是 Meta Superintelligence Labs 的一名人工智能研究科学家，以其在智能体能力、递归自我改进和机器学习方面的研究而闻名。

- Canonical URL: https://iq.wiki/zh/wiki/han-fang
- Categories: People in crypto
- Tags: Developer, Researcher
- Created: 2026-10-26T14:51:49.474Z
- Last updated: 2026-10-26T14:51:49.474Z
- Source: IQ.wiki — the world's largest blockchain and crypto encyclopedia (https://iq.wiki)

---

**Han Fang** 是 [Meta Superintelligence Labs](https://iq.wiki/wiki/meta-superintelligence-team) 的一名人工智能研究员，他在那里从事递归自我改进和智能体研究。他是 Meta 的 Muse 模型（包括 Muse Spark）中智能体能力的核心贡献者，此前曾创立了 Meta AI 的生产后训练团队。[\[1\]](#cite-id-b5uwkkkw6d)​[\[2\]](#cite-id-a7xsth8xfv)​

## Career

### Meta AI & Muse

Fang 在 Meta 的工作包括研究能够提高自身能力的智能体。他将 Muse Spark 描述为 Meta 基础人工智能研究组织（FAIR）的研究载体，并表示他为其智能体工具使用做出了贡献。 

2026 年 7 月，他报告称 Muse Spark 在 MCP-Atlas 上取得了最先进的结果，并在 Toolathlon 上表现出了前沿性能。他还将自动“爬坡”提升能力的智能体开发描述为一项令人难忘的成果。[\[1\]](#cite-id-b5uwkkkw6d)​

Fang 的个人网站描述了能够递归改进模型智能体能力的自我改进智能体，并报告了在 MCP-Atlas 上的最先进性能以及在 Toolathlon 和 Automation Bench 上的前沿性能。该网站还确认他是 Muse Spark、Wonder、Open 和 Glimmer 智能体能力的贡献者。[\[2\]](#cite-id-a7xsth8xfv)​

该网站将 Muse Spark Open 描述为一个具有智能体能力的开放权重模型，并表示团队发布了由 Muse Spark 智能体能力驱动的 Muse。[\[2\]](#cite-id-a7xsth8xfv) 

2026 年 10 月，Fang 分享了关于 Muse Glimmer 的技术报告，并将其描述为一个小型、灵活、全面的模型。Meta AI 将 Muse Glimmer 描述为一个拥有 300 亿参数的开放权重模型，用于在消费级硬件上执行智能体任务，能够在单个消费级图形处理单元上以 4 位精度在 Mac 或 PC 上以实用速度运行；Meta 表示，它在工具使用方面领先于同等规模的开放模型。[\[3\]](#cite-id-82h41mcioi)​

### Meta AI & Facebook AI

从 2023 年到 2025 年 1 月，Fang 担任 Meta 的高级主任研究科学家和技术负责人。他创立了 Meta AI 的生产后训练团队，并领导了 Llama 2 和 Llama 3 的生产后训练。他表示，他在 2023 年推出了 Meta AI，并帮助其扩展到 10 亿月活跃用户，致力于集成训练运行、核心能力、工具使用和数据飞轮。[\[1\]](#cite-id-b5uwkkkw6d)​[\[2\]](#cite-id-a7xsth8xfv)​

从 2019 年 10 月到 2023 年 1 月，Fang 担任 Facebook AI 的主任研究科学家和技术负责人，负责领导首席技术官关于多模态和多语言内容理解的特别项目。他开发了 Meta 的第一个 Few-shot Learner 模型，该模型将策略和内容理解与基于强化学习的模型优化器相结合。他还开发了 Linformer 高效 Transformer 架构，据他介绍，该架构每天分析数十亿条内容。[\[1\]](#cite-id-b5uwkkkw6d)​

2017 年至 2019 年，Fang 担任 Facebook AI 的高级研究科学家。2016 年夏天，他还曾在 Facebook 担任数据科学家实习生。[\[1\]](#cite-id-b5uwkkkw6d)​

### Genomics Research

从 2014 年到 2017 年，Fang 通过与石溪大学的联合项目，在冷泉港实验室担任研究助理和在读博士生。他的工作包括为大规模基因组学数据开发图形和机器学习算法。2013 年至 2014 年在冷泉港实验室期间，他开发了用于分析下一代测序数据的算法和计算方法。[\[1\]](#cite-id-b5uwkkkw6d)​

Fang 的研究涉及罕见疾病、遗传关联和流行病学、基因组变异、染色体异常、系统发育学和精神分裂症。 

2019 年至 2024 年，他担任华盛顿大学数据科学项目的工业咨询委员会成员。[\[1\]](#cite-id-b5uwkkkw6d)​

## Research and Publications

Fang 早期的出版物包括关于遗传关联统计方法和测序数据分析的工作。他与 Wei Pan 合著了《一种用于多种[常见](https://iq.wiki/wiki/common)或罕见变异疾病关联的数据自适应总和检验》和《强大的多标记关联检验：统一基于基因组距离的回归和逻辑回归》，均于 2010 年发表。 

后来的基因组学出版物包括《减少全基因组和外显子组测序数据中的 INDEL 调用错误》（2014）、《使用微组装在外显子组捕获数据中准确检测从头和传递的插入缺失》（2014）、《使用 Scalpel 对短读长测序数据进行插入缺失变异分析》（2016）、《GenomeScope：从短读长中快速进行无参考基因组分析》（2017）、《Scikit-ribo 实现密码子分辨率下翻译动力学的准确估计和稳健建模》（2018）以及《使用单分子测序准确检测复杂的结构变异》（2018）。[\[1\]](#cite-id-b5uwkkkw6d)​

他的 AI 出版物包括《Linformer：具有线性复杂度的自注意力机制》（2020）、《蕴含作为少样本学习器》（2021）、《完美融合：用评委混合重新定义 RLHF》（2024）以及《Multi-IF：在多轮和多语言指令遵循上对大语言模型进行基准测试》（2024）。[\[1\]](#cite-id-b5uwkkkw6d) 

他后期列出的工作包括 2025 年在 ICML 发表的《聪明思考而非辛苦工作：具有推理感知优化的自适应推理》、列为 2026 年 arXiv 论文的《Autodata：用于创建高质量合成数据的智能体数据科学家》，以及列入 ICML 2026 的《具有相互依赖生成的广义并行缩放》。[\[2\]](#cite-id-a7xsth8xfv)​

Fang 的网站还重点介绍了《人工智能的中心法则》，该文章将智能描述为将经验压缩为泛化；《强化学习环境实地指南》，该文章利用《精灵宝可梦 红》讨论了智能体-环境循环、观测空间、奖励设计和信用分配；以及《后训练 101：漫游者指南》，涵盖了监督微调、来自人类反馈的强化学习、奖励模型和实现。[\[2\]](#cite-id-a7xsth8xfv)​

## Education and Awards

Fang 于 2017 年获得石溪大学应用数学与统计学博士学位。 

他的博士论文《大规模基因组学数据的图形和机器学习算法》于 2017 年 5 月获得了该校颁发的 Woo-Jong Kim 论文奖，该奖项旨在表彰该系应用数学与统计学专业的最佳论文。 

他还在 2017 年 4 月获得了该系的卓越研究奖，并获得了校长杰出博士生奖（从该校 451 名博士毕业生中选出 5 名）。[\[1\]](#cite-id-b5uwkkkw6d)​[\[2\]](#cite-id-a7xsth8xfv)​

在他的博士导师 Mike Schatz 转到约翰霍普金斯大学后，Fang 于 2016-2017 年在该校担任计算机科学访问研究生。 

他于 2013 年获得石溪大学应用数学与统计学硕士学位，并于 2011 年获得中山大学光学物理学士学位。 

他列出的其他荣誉包括优秀学生奖学金和中山大学奖学金、2015 年美国人类遗传学会审稿人选择奖，以及 2015 年华盛顿大学大数据统计暑期学院奖学金。[\[1\]](#cite-id-b5uwkkkw6d)​