ABAB Pedia
詞條廣場

Omar Khattab

Omar Khattab是麻省理工學院電氣工程與計算機科學系助理教授，領導OASYS實驗室，研究語言模型編程、信息檢索與AI系統。

本頁目錄25 節
詞條資料

2019年卡內基梅隆大學畢業

他於2019年畢業於卡內基梅隆大學Carnegie Mellon UniversityCarnegie Mellon University（CMU）是位於美國賓夕法尼亞州匹茲堡的私立研究型大學。學校前身是 Andrew Carnegie 於1900年出資創辦的 Carnegie Technical Schools，1912年改名 Carnegie Institute of Technology，1967年與 Mellon Institute 合併後定名為今名。學校以計算機科學、機器人、工程與藝術等領域著稱，在卡塔爾、硅谷和盧旺達設有校區。截至2025年9月，全校註冊學生16,582人。現任校長為 Farnam Jahanian。2026年9月30日，學校宣佈獲得 Ken Griffin 30億美元捐贈，並將在邁阿密興建新校區。點擊查看完整詞條卡塔爾校區，學習計算機科學。⁠[1]

2020年ColBERT檢索模型

2020年，他與Matei Zaharia發表ColBERT研究，將查詢和文檔分別編碼，再進行細粒度的後期交互。文檔表示可預先計算，使基於BERT的語義匹配兼顧檢索效率。⁠[2]

2021年7月檢索與可追溯的搜索

他與Christopher Potts、Matei Zaharia在Stanford HAI文章中主張，把神經信息檢索作為搜索改進的基礎，保留答案所依賴的文檔來源，並通過更新索引吸收新知識。⁠[3]

2022年Apple研究實習

2022年6月至9月，他在AppleAppleApple（蘋果公司）是1976年創辦、總部位於美國加利福尼亞州庫比蒂諾的上市科技公司。業務包括 iPhone、Mac、iPad、可穿戴設備，以及數字內容、支付、雲端存儲等服務。公司通過自研硬件、操作系統和服務構建產品體系。點擊查看完整詞條擔任博士研究實習生。⁠[4]

2023年10月DSPy論文

他作為第一作者參與的DSPy論文提出，將語言模型應用寫成可組合的聲明式模塊，由編譯和優化過程依據任務指標改進模型調用流程，減少手工維護提示詞的依賴。⁠[5]

2024年1月語言模型軟件抽象

他參與撰寫的Two Sigma文章以七層模型梳理語言模型軟件，並比較五類框架的可靠性、性能、可移植性及擴展能力，強調不同層次職責的分離。⁠[6]

2024年2月複合AI系統

他是《The Shift from Models to Compound AI Systems》的共同作者。文章討論將模型、檢索和工具組合成系統，並把質量、成本及優化問題放在整個系統層面考察。⁠[7]

2024—2025年Databricks研究工作

2024年6月至2025年6月，他在DatabricksDatabricksDatabricks 是2013年創立、總部位於美國舊金山的數據與人工智能公司，起源於加州大學伯克利分校的 Apache Spark 研究團隊。公司提供結合數據工程、分析、治理、機器學習和 AI 應用開發的雲平臺，並參與 Spark、Delta Lake、MLflow 和 Unity Catalog 等開源項目。點擊查看完整詞條擔任研究科學家，研究自然語言處理、信息檢索和機器學習系統。⁠[4]

2024年9月研究理念

他在個人文章中建議圍繞長期項目組織研究，而非只追求單篇論文；選題應有發展空間，並通過快速迭代、可用的軟件發佈和社區反饋擴大研究影響。⁠[8]

2025年1月斯坦福大學博士

他於2019年進入斯坦福大學Stanford UniversityStanford University是美國加利福尼亞州的研究型大學，由Leland與Jane Stanford於1885年創立，1891年開學。點擊查看完整詞條攻讀計算機科學博士，2025年1月完成學位，導師為Christopher Potts和Matei Zaharia；博士研究聚焦通過基礎模型編程提升AI系統的可靠性與可擴展性。⁠[4]

2025年WARP與SIGIR最佳論文獎

他與Jan Luca Scheerer、Matei Zaharia、Christopher Potts及Gustavo Alonso共同發表多向量檢索引擎WARP。該論文獲SIGIR 2025最佳論文獎。⁠[9][10]

2025年3月Tartans on the Rise

卡內基梅隆大學將他列入2025年Tartans on the Rise校友名單。報道介紹了他提高語言模型編程抽象層次、幫助領域專家構建軟件的研究方向。⁠[1]

2025年AI系統工程演講

他在AI Engineer演講中提出，應把應用所需的規範、控制流程、工具和評估，與不斷變化的模型及優化方法分開。工程工作的重點是明確系統要解決的問題，避免把暫時有效的提示技巧固化為底層設計。⁠[11]

2025年7月加入MIT

2025年7月，他開始在MIT擔任助理教授。其現任崗位設於電氣工程與計算機科學系，並擔任TIBCO Founders職業發展教授。⁠[4][12]

2025年7月GEPA提示優化

他參與GEPA研究，通過對執行過程和反饋進行自然語言反思，生成並篩選提示詞變體。論文比較了特定任務中的優化表現；其結果不意味著提示優化在所有場景都優於強化學習。⁠[13]

2025年10月遞歸語言模型

他與Alex Zhang介紹遞歸語言模型，將長輸入保存在可執行環境中，由模型通過代碼檢查和拆分內容，再調用子模型處理局部問題。早期實驗採用受限的遞歸深度，重點研究長上下文任務。⁠[14]

2026年5月Pedagogical RL

他參與的Pedagogical RL研究利用教師可見、學生不可見的信息生成教學軌跡，同時考慮學生能否學會這些軌跡。文章報告初步任務實驗，探索模型如何藉助更有針對性的示範學習。⁠[15]

2026年6月Machine Studying

他與Jacob Xiaochen Li、Rick Battle提出Machine Studying問題：讓智能體在未知未來題目的情況下學習一份資料，並在之後仍可查閱資料時更高效地完成任務。研究以質量與推理成本的關係衡量專業能力，並公佈開發中的StudyBench。⁠[16]

2026年7月框架與組合泛化

他與Alex Zhang研究智能體運行框架如何幫助模型從較短任務遷移到更長任務，重點分析上下文外置和程序化子調用。文中用遞歸語言模型實驗討論任務分解與訓練分佈之間的關係。⁠[17]

2026年8月OASYS與AI應用適配

MIT對其OASYS實驗室的報道，將研究目標概括為解決AI應用的最後一公里：把通用模型適配到具體用戶的需求。Khattab強調發展可重用的開源系統方法，而不是隻解決單一垂直場景。⁠[18]

2026年秋季AI系統與智能體課程

他在MIT開設6.S978“Engineering AI Systems and Agents”，課程圍繞可靠性、效率和可維護性，討論聲明式規範、評估、反饋和計算預算。⁠[19]

2026年10月AI與研究工作

他在個人X帖文中表示，AI提高生產力並未使自己的研究工作失去意義；工具進步擴大了他希望完成的目標，因此高質量成果仍需要投入時間和專業判斷。他也表達了對權力集中的擔憂。這些說法是其個人科研經驗與觀點。⁠[20]

2026年11月2日權重空間編程實驗

他與Rikiya Takehi、Jayden Teoh、Alex Zhang發佈研究文章，探索讓語言模型直接讀取和修改其他神經網絡的權重。文章列出早期成功案例，也報告未能獲得明顯改進的實驗；這些結果尚不能證明該方法可普遍替代模型訓練。⁠[21]

主題：關聯機構、網站與公開賬號

個人網站：https://omarkhattab.com/（在新窗口打開）。X公開賬號：https://x.com/lateinteraction（在新窗口打開）。GitHub公開賬號：https://github.com/okhat（在新窗口打開）。⁠[22]

來源

  1. CMU-Q’s Omar Khattab is a Tartan on the Rise（在新窗口打開）
  2. ColBERT: Efficient and Effective Passage Search via Contextualized Late Interaction over BERT（在新窗口打開）
  3. A Moderate Proposal for Radically Better AI-powered Web Search（在新窗口打開）
  4. Omar Khattab（在新窗口打開）
  5. DSPy: Compiling Declarative Language Model Calls into Self-Improving Pipelines（在新窗口打開）
  6. A Guide to Large Language Model Abstractions（在新窗口打開）
  7. The Shift from Models to Compound AI Systems（在新窗口打開）
  8. On Impactful AI Research（在新窗口打開）
  9. WARP: An Efficient Engine for Multi-Vector Retrieval（在新窗口打開）
  10. Best Paper Awards（在新窗口打開）
  11. On Engineering AI Systems that Endure The Bitter Lesson - Omar Khattab, DSPy & Databricks（在新窗口打開）
  12. Omar Khattab（在新窗口打開）
  13. GEPA: Reflective Prompt Evolution Can Outperform Reinforcement Learning（在新窗口打開）
  14. Recursive Language Models（在新窗口打開）
  15. Pedagogical RL: Teaching Models to Teach Themselves from Privileged Information（在新窗口打開）
  16. Machine Studying（在新窗口打開）
  17. Language model harnesses are compositional generalizers（在新窗口打開）
  18. Solving AI’s ‘Last Mile’ Problem（在新窗口打開）
  19. 6.S978: Engineering AI Systems and Agents（在新窗口打開）
  20. Omar Khattab on X (October 27, 2026)（在新窗口打開）
  21. Sparks of Weight-Space Programming: LLMs can natively read & write neural network weights（在新窗口打開）
  22. Omar Khattab（在新窗口打開）