¡Felicitaciones a la promoción de 2026 del Laboratorio de Investigación de Inteligencia Artificial de Berkeley (BAIR)! Este año, BAIR celebra otro grupo notable de Ph.D. graduados cuya curiosidad, creatividad y perseverancia han traspasado las fronteras de la inteligencia artificial y el aprendizaje automático.
Su trabajo abarca toda la amplitud de la IA moderna: robótica e inteligencia incorporada, grandes modelos de lenguaje y razonamiento, visión por computadora, modelado generativo, seguridad de la IA, interacción entre humanos y IA, IA para la ciencia y la atención médica, y mucho más. A lo largo del camino, publicaron investigaciones influyentes, construyeron sistemas con impacto en el mundo real, asesoraron a sus pares y moldearon la comunidad BAIR para mejor.
Ahora se dirigen a dondequiera que viajen las ideas: a puestos docentes y posdoctorales, a laboratorios de investigación de la industria y a empresas emergentes de su propia fundación, y varios todavía están explorando lo que viene a continuación y les encantaría saber de usted.
Únase a nosotros para celebrar los logros de estos maravillosos graduados. ¡Estamos orgullosos de todo lo que han logrado en Berkeley y estamos ansiosos por ver qué harán a continuación!
¡Gracias a nuestros amigos del Laboratorio de IA de Stanford por esta idea!
Correo electrónico: csnell22@berkeley.edu
Sitio web: https://sea-snell.github.io
Asesor(es): Dan Klein
Propaganda de investigación: Mi trabajo tiene como objetivo comprender cuándo y cómo se pueden intercambiar e intercambiar los diferentes paradigmas de escalamiento de LLM. En particular, el escalado en el momento de la prueba trata cada indicación de forma independiente, extrayendo largas cadenas de inferencias y luego olvidándolas por completo entre las indicaciones. Esto difiere críticamente del preentrenamiento, que en cambio aprende una representación comprimida de un gran conjunto de datos. Creo que cerrar la brecha entre estos métodos de cálculo de escala presenta un desafío abierto clave en el campo: ¿cómo podemos desarrollar métodos que conviertan las inferencias extraídas en el momento de la prueba en representaciones aprendidas que el modelo pueda conservar a través de interacciones?
Sitio web: https://sea-snell.github.io
Asesor(es): Dan Klein
Propaganda de investigación: Mi trabajo tiene como objetivo comprender cuándo y cómo se pueden intercambiar e intercambiar los diferentes paradigmas de escalamiento de LLM. En particular, el escalado en el momento de la prueba trata cada indicación de forma independiente, extrayendo largas cadenas de inferencias y luego olvidándolas por completo entre las indicaciones. Esto difiere críticamente del preentrenamiento, que en cambio aprende una representación comprimida de un gran conjunto de datos. Creo que cerrar la brecha entre estos métodos de cálculo de escala presenta un desafío abierto clave en el campo: ¿cómo podemos desarrollar métodos que conviertan las inferencias extraídas en el momento de la prueba en representaciones aprendidas que el modelo pueda conservar a través de interacciones?
Correo electrónico: efleisig@berkeley.edu
Sitio web: https://efleisig.com
Asesor(es): Dan Klein
Research Blurb: Diseño modelos de lenguaje para que funcionen de manera confiable y justa para una amplia gama de usuarios reales de LLM. Primero, mi investigación aprovecha el desacuerdo entre las preferencias de los usuarios como señal para capacitar y evaluar LLM para poblaciones enteras de usuarios. En segundo lugar, trabajo en el diseño de evaluaciones rigurosas para solucionar los daños desafiantes del LLM que enfrentan diversos usuarios. Finalmente, trabajo en fallas técnicas centrales de los LLM, como la confianza mal calibrada, para reducir los riesgos posteriores cuando los modelos se implementan para usuarios con diferentes necesidades. Combinadas, estas intervenciones facilitan la creación de LLM que minimicen los daños sociales y maximicen los beneficios para una gama más amplia de usuarios del mundo real.
Qué sigue: becario postdoctoral en Princeton CITP
Sitio web: https://efleisig.com
Asesor(es): Dan Klein
Research Blurb: Diseño modelos de lenguaje para que funcionen de manera confiable y justa para una amplia gama de usuarios reales de LLM. Primero, mi investigación aprovecha el desacuerdo entre las preferencias de los usuarios como señal para capacitar y evaluar LLM para poblaciones enteras de usuarios. En segundo lugar, trabajo en el diseño de evaluaciones rigurosas para solucionar los daños desafiantes del LLM que enfrentan diversos usuarios. Finalmente, trabajo en fallas técnicas centrales de los LLM, como la confianza mal calibrada, para reducir los riesgos posteriores cuando los modelos se implementan para usuarios con diferentes necesidades. Combinadas, estas intervenciones facilitan la creación de LLM que minimicen los daños sociales y maximicen los beneficios para una gama más amplia de usuarios del mundo real.
Qué sigue: becario postdoctoral en Princeton CITP
Correo electrónico: Graceluo@berkeley.edu
Sitio web: https://graceluo.net
Asesor(es): Trevor Darrell
Anuncio de investigación: Mi investigación se centra en la interpretación y el control de modelos generativos. Por ejemplo, he trabajado en la reutilización de generadores de imágenes para tareas de visión por computadora y en activaciones de lenguajes de metamodelado para una mejor investigación y dirección de LLM.
Qué sigue: Científico investigador en la industria
Sitio web: https://graceluo.net
Asesor(es): Trevor Darrell
Anuncio de investigación: Mi investigación se centra en la interpretación y el control de modelos generativos. Por ejemplo, he trabajado en la reutilización de generadores de imágenes para tareas de visión por computadora y en activaciones de lenguajes de metamodelado para una mejor investigación y dirección de LLM.
Qué sigue: Científico investigador en la industria
Correo electrónico: hanlinzhu@berkeley.edu
Sitio web: https://hanlinzhu.com/
Asesor(es): Stuart Russell, Jiantao Jiao
Anuncio de investigación: Mi investigación se centra en comprender y mejorar las capacidades de razonamiento de los modelos de lenguajes grandes (LLM).
Qué sigue: Miembro del personal técnico de OpenAI
Sitio web: https://hanlinzhu.com/
Asesor(es): Stuart Russell, Jiantao Jiao
Anuncio de investigación: Mi investigación se centra en comprender y mejorar las capacidades de razonamiento de los modelos de lenguajes grandes (LLM).
Qué sigue: Miembro del personal técnico de OpenAI
Correo electrónico: hqi@berkeley.edu
Sitio web: https://haozhi.io/
Asesor(es): Jitendra Malik, Yi Ma
Anuncio de investigación: manipulación diestra y aprendizaje de robots
Qué sigue: Científico investigador en Amazon; Facultad de la Universidad de Chicago
Sitio web: https://haozhi.io/
Asesor(es): Jitendra Malik, Yi Ma
Anuncio de investigación: manipulación diestra y aprendizaje de robots
Qué sigue: Científico investigador en Amazon; Facultad de la Universidad de Chicago
Correo electrónico: zamfi@berkeley.edu
Sitio web: https://zamfi.net
Asesor(es): Bjoern Hartmann
Propaganda de investigación: Mi investigación se centra en el codiseño efectivo entre humanos e IA. Estudio los límites de las interfaces lingüísticas como medio para interactuar con la IA, creando sistemas que combinan interacciones centradas en el lenguaje con interfaces de usuario estructuradas que se basan en diferentes niveles de abstracción. Me concentro en tecnologías orientadas al lenguaje, como LLM y modelos de texto a imagen, que son poderosos mediadores de los procesos de diseño. Estas tecnologías permiten a los humanos describir sus deseos en casi cualquier nivel de abstracción, desde objetivos de alto nivel vagamente especificados (“Me gustaría un juego para ayudar a mi hijo a aprender a leer”) hasta correcciones de bajo nivel de resultados no deseados (“No digas 'lo sé porque lo he probado' cuando se trata del sabor de una receta sustitutiva”).
Qué sigue: Profesor asistente, Ciencias de la Computación, UCLA
Sitio web: https://zamfi.net
Asesor(es): Bjoern Hartmann
Propaganda de investigación: Mi investigación se centra en el codiseño efectivo entre humanos e IA. Estudio los límites de las interfaces lingüísticas como medio para interactuar con la IA, creando sistemas que combinan interacciones centradas en el lenguaje con interfaces de usuario estructuradas que se basan en diferentes niveles de abstracción. Me concentro en tecnologías orientadas al lenguaje, como LLM y modelos de texto a imagen, que son poderosos mediadores de los procesos de diseño. Estas tecnologías permiten a los humanos describir sus deseos en casi cualquier nivel de abstracción, desde objetivos de alto nivel vagamente especificados (“Me gustaría un juego para ayudar a mi hijo a aprender a leer”) hasta correcciones de bajo nivel de resultados no deseados (“No digas 'lo sé porque lo he probado' cuando se trata del sabor de una receta sustitutiva”).
Qué sigue: Profesor asistente, Ciencias de la Computación, UCLA
Correo electrónico: jiachenlian@berkeley.edu
Sitio web: https://jlian2.github.io
Asesor(es): Gopala Anumanchipalli
Anuncio de investigación: Mi investigación se centra en la IA centrada en el ser humano en el habla, la atención médica y los sistemas.
Buscando: Busque talentos de IA para unirse a nuestra startup
Sitio web: https://jlian2.github.io
Asesor(es): Gopala Anumanchipalli
Anuncio de investigación: Mi investigación se centra en la IA centrada en el ser humano en el habla, la atención médica y los sistemas.
Buscando: Busque talentos de IA para unirse a nuestra startup
Correo electrónico: minwoo_kang@berkeley.edu
Sitio web: https://joshuaminwookang.github.io/
Asesor(es): John Canny
Anuncio de investigación: estudio modelado de lenguaje y temas relacionados en PNL; Sus intereses específicos son la simulación de usuarios humanos y la creación de agentes de IA colaborativos y conversacionales.
Qué sigue: Científico de IA en Mistral AI
Sitio web: https://joshuaminwookang.github.io/
Asesor(es): John Canny
Anuncio de investigación: estudio modelado de lenguaje y temas relacionados en PNL; Sus intereses específicos son la simulación de usuarios humanos y la creación de agentes de IA colaborativos y conversacionales.
Qué sigue: Científico de IA en Mistral AI
Correo electrónico: junhao_xiong@berkeley.edu
Sitio web: https://www.linkedin.com/in/junhao-bear-xiong
Asesor(es): Jennifer Listgarten, Yun Song
Anuncio de investigación: Junhao (Bear) Xiong es candidato a doctorado en UC Berkeley, asesorado por Jennifer Listgarten y Yun S. Song. Su trabajo se centra en métodos de aprendizaje automático para biología, con énfasis en el modelado generativo de proteínas. Anteriormente, estudió Matemáticas Aplicadas e Informática en Johns Hopkins.
Buscando: Investigador científico
Sitio web: https://www.linkedin.com/in/junhao-bear-xiong
Asesor(es): Jennifer Listgarten, Yun Song
Anuncio de investigación: Junhao (Bear) Xiong es candidato a doctorado en UC Berkeley, asesorado por Jennifer Listgarten y Yun S. Song. Su trabajo se centra en métodos de aprendizaje automático para biología, con énfasis en el modelado generativo de proteínas. Anteriormente, estudió Matemáticas Aplicadas e Informática en Johns Hopkins.
Buscando: Investigador científico
Correo electrónico: kaylo_littlejohn@berkeley.edu
Sitio web: https://kaylolittlejohn.com
Asesor(es): Gopala Anumanchipalli
Anuncio de investigación: Mi investigación se centra en el modelado del habla y el procesamiento del lenguaje natural. Codirigí el desarrollo de herramientas de inteligencia artificial multimodal para traducir con precisión la actividad cerebral en texto, voz audible personalizada y un "avatar digital parlante" de alta fidelidad (Nature 2023, Nature Neuroscience 2025). También soy líder técnico de modelado de voz en Roblox.
Sitio web: https://kaylolittlejohn.com
Asesor(es): Gopala Anumanchipalli
Anuncio de investigación: Mi investigación se centra en el modelado del habla y el procesamiento del lenguaje natural. Codirigí el desarrollo de herramientas de inteligencia artificial multimodal para traducir con precisión la actividad cerebral en texto, voz audible personalizada y un "avatar digital parlante" de alta fidelidad (Nature 2023, Nature Neuroscience 2025). También soy líder técnico de modelado de voz en Roblox.