Trapit Bansal

Trapit Bansal 是一位人工智能研究员，其工作重点是强化学习、推理、自然语言处理、深度学习和元学习。他是 Meta 公司 TBD 实验室（TBD Lab）的创始成员，在该实验室从事人工智能研究。Bansal 此前曾在 OpenAI 工作，是该公司 o1 推理模型的奠基贡献者。 ^{[3] [6] [7]}

教育背景

Bansal 于 2007 年至 2012 年就读于印度理工学院坎普尔分校（IIT Kanpur），完成了数学与统计学的综合硕士学位。 ^{[2] [3] [4]}

随后，他就读于马萨诸塞大学阿默斯特分校，并获得了计算机科学硕士学位和计算机科学博士学位。他师从 Andrew McCallum，其研究生研究方向集中在自然语言处理、深度学习和元学习。 ^{[3] [4] [9]}

职业生涯

Bansal 在印度古鲁格拉姆的埃森哲管理咨询公司（Accenture Management Consulting）开始了他的职业生涯，于 2012 年至 2013 年担任分析师。随后，他在班加罗尔的印度科学理工学院（IISc）工作，从事贝叶斯建模和推理的研究。

在研究生学习期间，Bansal 在多家科技公司完成了研究实习。2016 年，他在 Facebook 的应用机器学习小组实习，研究用于自然语言处理的深度学习方法。2017 年，他在 OpenAI 实习，研究重点是多智能体强化学习和元学习；2018 年，他在 Google Research 实习，从事知识图谱推理工作。2020 年，他在微软蒙特利尔研究院实习，研究用于自然语言处理的自监督元学习。 ^{[4] [9]}

OpenAI

Bansal 于 2022 年 1 月加入 OpenAI 担任技术人员。他的工作主要集中在强化学习和人工智能推理方面。 ^{[3] [5]}

Bansal 参与了促成 OpenAI o1 系列推理模型的研究。OpenAI 正式将他列为 o1 推理研究的奠基贡献者之一。Bansal 曾自称为 OpenAI o 系列模型的共同创造者。 ^{[6] [7]}

在 o1 发布之前，Bansal 与包括 Ilya Sutskever 在内的研究人员一起从事推理的强化学习方法研究。据 TechCrunch 报道，他是早期强化学习研究的重要参与者，这些研究为 OpenAI 的推理模型项目做出了贡献。 ^[5]

Bansal 此前曾于 2017 年在 OpenAI 担任研究实习生。在此期间，他合著了关于竞争性多智能体强化学习和自我博弈的研究。由此产生的论文《通过多智能体竞争产生的涌现复杂性》（Emergent Complexity via Multi-Agent Competition）探讨了通过竞争训练的智能体如何在模拟环境中发展出日益复杂的行为。 ^{[4] [10]}

Bansal 在担任全职研究员约三年半后，于 2025 年 6 月离开 OpenAI。 ^{[3] [5]}

Meta 与 TBD 实验室

随着 Meta 加大在先进人工智能和超智能研究方面的投入，Bansal 于 2025 年 7 月加入 Meta。 ^{[1] [3] [5]}

在 Meta，Bansal 成为 TBD 实验室的创始成员，该研究小组致力于开发下一代人工智能模型。他目前的职业档案将其职位描述为 Meta 旗下 TBD 实验室的人工智能研究员。 ^{[3] [7]}

他的加入正值 Meta 从 OpenAI、Google DeepMind、Anthropic 等人工智能实验室招募研究人员，以加强其在推理和先进基础模型方面的工作。 ^[5]

2026 年，Bansal 公开讨论了 Meta 通过国际学术竞赛评估模型推理能力的工作。2026 年 8 月，他表示 Meta 模型已参加了五项国际 STEM 奥林匹克竞赛，以评估其推理能力，并在所有五项竞赛中都取得了相当于金牌的成绩。据 Bansal 称，其中三项评估涉及现场参与和官方评分。 ^[8]

此前，在讨论 2026 年亚洲物理奥林匹克竞赛时，Bansal 将该竞赛描述为对 Meta 模型多模态和推理能力的评估。 ^[8]

研究工作

Bansal 的研究涵盖了自然语言处理、强化学习、元学习、知识表示和推理系统。

他早期的 OpenAI 项目之一是竞争性自我博弈。在 2017 年的论文《通过多智能体竞争产生的涌现复杂性》中，Bansal 与 Jakub Pachocki、Szymon Sidor、Ilya Sutskever 和 Igor Mordatch 等合作者展示了竞争环境如何为强化学习智能体提供自动课程，并导致日益复杂的习得行为。 ^[10]

Bansal 还从事自然语言处理的关系推理研究。在《RelNet：实体与关系的端到端建模》（RelNet: End-to-End Modeling of Entities & Relations）中，他和合著者引入了一种记忆增强神经网络架构，旨在对文本中的实体和关系进行建模。 ^[4]

他的博士研究包括针对少样本自然语言处理的自监督元学习。在 EMNLP 2020 发表的研究中，Bansal 及其合作者提出从无标签文本中生成元学习任务，以在只有少量有标签数据可用时提高泛化能力。 ^[11]

他的博士论文《通过无标签数据的元学习进行少样本自然语言处理》（Few-Shot Natural Language Processing by Meta-Learning Without Labeled Data）专注于提高语言模型在有限有标签示例下适应新任务能力的方法。 ^[4]

报道的 Meta 薪酬

Bansal 薪酬的具体条款尚未得到公开确认。报道对这一数字有多种描述，包括工资、签约奖金或更广泛的薪酬方案。2026 年 8 月，《印度时报》（The Times of India）重申了报道的 80 亿卢比（₹800 crore）这一数字，但明确表示其文章中的薪酬数据未经独立核实。 ^[9]