如果你做过一两个大模型微调或者带噪数据的项目,正在考虑申香港浸会大学韩波组的博士,先把一件事算清楚:在浸大,月份表上写的HK$19,310,并不是你每个月能拿到手的数。
韩波是浸大计算机系副教授,带着一个叫TMLR的课题组,专做可信、高效的机器学习与推理。他今年获任研资局研究学者,课题是给自主运行的人工智能装上“认知护栏”;2026年又当选香港工程科学院青年成员,此前入选过IEEE AI's 10 to Watch,拿过NeurIPS杰出论文奖。组里的招生说明写着,正在招博士生、博士后、研究助理和实习生。
先说结论:做过模型训练、对“数据不干净时模型会怎样”有过实际观察的人,这个组可以申。12月1日是常规申请和HKPFS共同的主轮截止,研究计划能在这之前写扎实,就两条路一起走;写不扎实,宁可把主轮申请交得完整一点,也别为了赶HKPFS交一份空计划。
他组里做的是哪一类问题
韩波最早出名的工作和“噪声标签”有关。训练数据里总有一部分标签是错的:一张猫的图被标成了狗。模型越训练,越会把这些错误也背下来。他参与提出的Co-teaching,让两个网络同时训练,每一轮各自挑出自己认为损失小、更可能标对的样本,交给对方去学,借此减少错误标签的影响。这篇工作进了NeurIPS 2018十大高被引论文,他后来还把这一方向写成专著《Machine Learning with Noisy Labels》,由MIT Press接收。
这几年,组里的重心从“数据有错”延伸到“基础模型可不可信”:大模型在不完美的数据上微调、推理,什么时候会给出看似合理的错误答案,怎样让它在自主执行任务时有边界。研资局这次资助的“认知护栏”,就是这条线往前走的一步。
所以判断够不够格,可以问自己一个具体问题:你有没有在实验里故意往数据里加过噪声、换过分布,去看模型的表现怎样变?只调过超参数、刷过榜的经历,回答不了这个问题。组里的招生说明要求的是简历加一份简短研究计划,计划里最好就写这样一个你亲手观察过的现象。
他同时是日本理化学研究所先进智能项目中心的访问科学家,此外还拿过IJCAI早期职业亮点奖和国际神经网络学会的Aharon Katzir青年研究者奖。
组里的博士生去向也能说明训练方式:组内资料列出,有高年级博士生在斯坦福做访问学者,也有毕业生去了日本理化学研究所做博士后。
每个月到手多少,什么时候交
浸大的研究生助学金2026/27学年是每月HK$19,310,成为博士候选人后是HK$19,660,按学业成绩授予,不用另外申请。但学费另算:政府资助的全日制学生,2026/27学年学费HK$47,000,2027/28学年HK$49,500,而且是从每月助学金里自动扣除的。按2027/28学年的学费摊到12个月,大约每月要扣掉HK$4,125。
HKPFS那边不一样:每月HK$28,700,前三年学费由奖学金承担,第四年视表现豁免,第一年另有HK$40,000的精英学者奖,每年还有HK$14,400差旅,外加大学的研究支援基金HK$25,000。走HKPFS申请浸大博士的人,会同时被放进常规助学金的评审里,没选上也不等于出局。
时间上,浸大2027/28学年的常规申请和HKPFS都在9月1日开放,主轮都在12月1日截止。部分学系还设了补录轮,比如化学系是2027年4月15日,但补录轮名额要看剩余。
这样一摆,判断就清楚了:你只要有可能拿HKPFS,就值得在12月1日前交;即使没选上,常规助学金的评审照样进行。需要权衡的,是你能不能在这之前写出一份像样的研究计划。
第一步是给韩波发邮件,附上简历和一页研究计划。计划可以这样写:拿一个公开的小型图像或文本数据集,按不同比例随机翻转一部分标签,记录模型在干净测试集上的准确率怎样随噪声比例下降,再换一种你认为更接近真实错误的翻转方式,看结论变不变。把这条曲线和你的解释放在第一页。













