Junfeng Ren
空间智能、Transformer 推理加速与 LLM Agent 系统
南方科技大学硕士研究生
junfengren3253@gmail.com
我目前硕士就读于南方科技大学国家卓越工程师学院电子信息专业。我的研究轨迹主要包括三条线：空间智能与世界建模、Transformer 底层推理加速以及 LLM Agent 系统。
我的工作包括：面向自动驾驶和具身系统的语义占用预测与协同感知，面向高效 Transformer 的training-free token merging 和 attention-level redundancy reduction，以及面向 LLM Agent 的可靠适应与上下文高效工具使用。
研究方向
空间智能与世界模型
学习面向感知、协同与预测的结构化三维表示，服务自动驾驶和具身系统。
Transformer 推理加速
设计 training-free 机制，减少 Transformer 中冗余的 token 与 attention 计算。
LLM Agent 系统
研究 LLM Agent 系统中的可靠适应、跨智能体知识迁移与上下文高效工具使用。
代表性研究
空间智能与世界模型
面向协同占用预测的通信高效 token 合并
在有限带宽下进行协同语义占用预测，通过接收端驱动通信和自适应 token 合并，交换紧凑且任务相关的场景信息。
协同 4D 占用世界模型
融合多智能体观测、时间上下文和未来占用预测，建模共享三维 occupancy 如何随时间演化。
Transformer 推理加速
SCMerge — Content-Spatial Consistent Token Merging
一种 training-free token merging 方法，结合语义相似性与局部空间一致性，减少冗余视觉 token 同时保留场景结构。
QKV-level Token Merging
探索在 attention pipeline 内部进行 token merging，减少常规 representation-level token reduction 之外的冗余 QKV 计算。
LLM Agent 系统
FedHarness-RB
通过目标端验证和选择性部署，在异构 LLM Agent 间可靠迁移可执行的 harness 改进，降低负迁移风险。
CriticShift
面向可靠性的工具输出选择方法，在减少工具型 LLM Agent 不必要上下文的同时保留任务关键证据。
科研经历
新加坡国立大学
计算机学院，计算机科学系
研究可靠且高效的 LLM Agent 系统，聚焦跨智能体 harness 迁移、上下文高效工具使用和可靠性评估。
南方科技大学
广东省先进无线通信技术重点实验室
研究空间智能与高效 Transformer 推理，包括协同语义占用预测、通信高效感知、世界建模和 training-free token merging。
山东科技大学
物联网工程实验室
研究资源受限的嵌入式与 IoT 系统，包括实时调度、边缘计算和机器人系统开发。