Hyung Won Chung（韩语：정형원）是一位韩国人工智能研究科学家，因其对大型语言模型 (LLM) 的开发和扩展所做的贡献而闻名。他目前是 Meta Superintelligence Labs 的一员，并在 OpenAI 和 Google Brain 担任研究职位，为 PaLM、Flan-T5、T5X 和 OpenAI 的 o1 等著名模型和框架做出了贡献。^{[1] [2]}

早年生活

Chung 最初来自韩国。他目前居住在加利福尼亚州的山景城，这是科技行业的重要中心。^[1]

教育

Hyung Won Chung 在麻省理工学院 (MIT) 完成了他的博士学业，并获得了博士学位。他的学术背景为他随后的机器学习和人工智能研究生涯奠定了基础。^[2]

职业生涯

Chung 的职业生涯始于 Google Brain 的一名研究科学家，他的工作重点是克服与大型 AI 模型扩展相关的挑战。他是 T5X 的主要贡献者，T5X 是一个基于 JAX 的框架，旨在促进大规模模型训练，并参与了 Pathways Language Model (PaLM) 等主要模型的训练。他的研究还显著推进了指令微调领域，从而开发了 Flan-PaLM 和 Flan-T5 模型系列，提高了 LLM 遵循用户指令的能力。^[1]

2023 年 2 月，Chung 过渡到 OpenAI。在 OpenAI，他的研究重点是增强 AI 系统的推理能力和开发自主代理。他是该组织几项重大举措的基础贡献者，包括 o1-preview（2024 年 9 月）、完整版 o1 模型（2024 年 12 月）和深度研究项目（2025 年 2 月）。在此期间，他还领导了 Codex mini 模型的训练工作，Codex mini 模型是代码生成模型的一个较小、专门的版本。^{[1] [2]}

2025 年 7 月，Chung 加入了 Meta 的 Superintelligence Labs，担任 AI 研究科学家。他与同事 Jason Wei 一起从 OpenAI 转到 Meta，他们在 Google 和 OpenAI 都保持着密切的工作关系。^{[4] [5]}

主要作品和出版物

Chung 与人合著了许多机器学习和自然语言处理领域的有影响力的论文。他的研究成果已在顶级期刊上发表，并在主要会议上发表。

• Scaling Instruction-Finetuned Language Models (2022)：这篇发表在 Journal of Machine Learning Research 上的论文系统地探讨了扩展模型开发的各个方面（包括模型大小、任务数量和思维链数据）如何影响性能。该研究表明，指令调整可以显著提高性能，并发布了 Flan-T5 模型。
• PaLM: Scaling Language Modeling with Pathways (2022)：作为合著者，Chung 为 5400 亿参数 Pathways Language Model (PaLM) 的开发做出了贡献。该论文详细介绍了该模型如何在 Pathways 系统上进行训练，并在众多语言任务中实现了最先进的少样本性能，展示了在推理、代码生成和翻译方面的突破。
• Scaling Up Models and Data with t5x and seqio (2022)：这项工作介绍了 T5X，这是一个模块化的、基于 JAX 的框架，用于大规模 Transformer 模型的高性能训练，以及 SeqIO，一个用于数据预处理的基于任务的库。Chung 是这篇论文的主要作者，该论文为 Google 的大部分大型模型研究提供了基础设施。
• OpenAI o1 System Card (2024)：Chung 是 OpenAI o1 模型的官方系统卡的贡献者。该文档全面概述了该模型的功能、性能基准、局限性以及开发过程中实施的安全协议。
• GPT-4 Technical Report (2023)：他是制作 GPT-4 技术报告的团队成员。该报告详细介绍了多模态模型的架构、训练过程以及其在各种专业和学术基准测试中相对于前几代产品的显著改进的性能。
• Large Language Models Encode Clinical Knowledge (2023)：这项发表在 Nature 上的研究调查了 LLM 在医学领域的潜力。该研究发现，像 Flan-PaLM 这样的模型可以在医学能力考试中获得很高的准确性，并为临床问题提供连贯的、长篇的答案。
• The Flan Collection: Designing Data and Methods for Effective Instruction Tuning (2023)：这篇论文在国际机器学习大会 (ICML) 上发表，描述了“Flan Collection”的创建和设计，这是一个以指令形式格式化的大型任务数据集。该工作详细介绍了用于扩展指令调整的方法，并且是 Flan-T5 模型的基础。
• UniMax: Fairer and more Effective Language Sampling for Large-Scale Multilingual Pretraining (2023)：这篇论文在国际学习表征会议 (ICLR) 上发表，提出了一种新的数据采样方法，通过平衡不同语言之间的数据表示来提高多语言语言模型的性能和公平性。

这些出版物突出了 Chung 对模型扩展、指令调整和大型语言模型的实际应用的关注。^[1]

公开演讲和讲座

Chung 经常通过在大学的邀请讲座和研讨会与更广泛的学术和技术社区分享他的研究和见解。他的演讲涵盖了诸如大型语言模型的演变、指令微调的原理、来自人类反馈的强化学习 (RLHF) 以及对 AI 研究中范式转变的高层次视角等主题。他曾在以下机构发表演讲：

• 斯坦福大学（CS 25 课程）
• 麻省理工学院（MIT 具身智能研讨会）
• 首尔国立大学
• 纽约大学（CSCI 2590 课程）
• 康奈尔大学

这些讲座通常会公开发布，并作为该领域学生和研究人员的教育资源。^{[1] [3]}