我们根据要求分析网页信息。用户提供的是一个个人学术主页，标题是"Rex Cheng"，我们需要简化标题到5个字内。描述要详细，标签3-4个，分类选择最合适的。合规判断：不涉及违禁内容，compliant为true，reason为空字符串？但要求说"reason": "合规判断边界【色情、赌博、毒品、暴力、诈骗、菠菜、体育、幼女】其他不限制，不合规原因（合规时为空字符串），以及输出固定【网站内容不符合收录规范】"。似乎如果合规，reason为空字符串？但描述有点混乱。我们按合规时reason为空字符串。content用markdown总结，包含简介、功能、特点，开头用图片链接。注意正文内容不要联想。我们开始。
标题：Rex Cheng（原本就短，可以保留，或者简化成"Rex Cheng"？要求简化到5字内，这个已经是2个词共8个字符？实际上"Rex Cheng"共9个字母，但中文标题可能算"Rex Cheng"？但要求"5个字内"，这里"Rex Cheng"算2个英文单词，可能可以。或者我们可以写"个人主页"？但最好保留原名。注意题目说"如果原网站标题过长，请简化标题到5个字内，例如..."这里原标题就是"Rex Cheng"，不长，直接使用。
描述：详细描述该网站，这是一个AI研究科学家的个人主页，包含研究项目、论文、工作经历等。50-200字。
标签：3-4个，比如 ["AI研究", "计算机视觉", "个人主页", "学术"]
分类：从列表中选择最合适的。这个网站是个人学术主页，属于"知识百科"？或者"社区资讯"？或者"学习工具"？更合适的可能是"知识百科"或"学习教育"？考虑个人主页展示研究，分类可以是"知识百科"或"学术论文"？列表中有"学术论文"分类，但网站本身不是论文库，而是个人主页。也有"知识百科"分类。可能"知识百科"比较接近，或者"社区资讯"。鉴于内容为计算机视觉研究，也可以选"IT技术类"？但"IT技术类"更偏技术学习。个人主页应归为"知识百科"或"学术论文"？我选择"知识百科"吧。或者"AI智能体"？不。还是"学术论文"？该网站展示论文，但本质是个人主页。根据分类列表，没有"个人主页"分类，可以选择"知识百科"或"其他工具"。我觉得"知识百科"可以接受。
compliant: true，reason: ""
content: 需要800-2000字。用markdown格式总结网站内容。注意正文开头用 作为网站截图。然后写简介、主要功能/内容、特点说明。
需要基于网页正文内容，不要联想。该网页是Rex Cheng的个人主页，他是Luma AI的研究科学家，研究方向多模态基础模型。列出多个研究项目，比如SAM 3、MMAudio等，还有工作经历。我们需要组织内容。
注意"不要输出联想内容"，所以只基于给定文本。
我们写content。字数要够。网站简介：Rex Cheng的个人学术主页，介绍其研究、论文、工作经历等。主要功能：展示研究成果、论文链接、项目页面、工作经历等。特点：简洁设计，有视频演示，列出多个CVPR/ICCV等论文。
注意要800-2000字，我们写大约1000字左右。
我们开始写：
Rex Cheng 个人学术主页
网站简介
这是一个个人学术主页，属于 Ho Kei (Rex) Cheng，他目前是 Luma AI 的研究科学家，专注于多模态基础模型。主页介绍了他的学术背景、研究成果、工作经历等信息。他曾在伊利诺伊大学厄巴纳-香槟分校攻读博士学位，师从 Alexander Schwing，并在 Adobe Research、Kaiber、Sony AI、Meta FAIR/MSL 等机构实习。本科和硕士阶段在香港科技大学，师从 Yu-Wing Tai 和 Chi Keung Tang。
主要功能/内容
- 个人简介：介绍当前职位、教育背景、导师、实习经历等。
- 研究项目列表：展示多个精选研究成果，每个项目配有视频演示（悬停播放）、论文链接、项目页面和 arXiv 链接。
- 工作经历：按时间列出在 Luma AI、Meta FAIR/MSL、Sony AI 等公司的研究和实习经历。
- 相关链接：GitHub、Google Scholar、CV 等。
具体研究项目包括：
- SAM 3: Segment Anything with Concepts（ICLR 2026）——一个统一的模型，通过文本、示例和视觉提示对图像和视频中的对象进行检测、分割和跟踪。
- The Curse of Conditions（ICCV 2025）——通过条件感知的先验和数据分布样本耦合，提供更直的流，避免朴素最优传输的测试时退化。
- MMAudio: Taming Multimodal Joint Training for High-Quality Video-to-Audio Synthesis（CVPR 2025）——从视频或文本输入生成高质量同步音频，架构支持在多源数据上训练，即使某些模态缺失。
- Putting the Object Back into Video Object Segmentation（CVPR 2024 Highlight）——使用对象Transformer结合像素级和对象级特征，实现高效稳健的视频对象分割。已被 iMotions 和 Annolid 使用。
- Tracking Anything with Decoupled Video Segmentation（ICCV 2023）——通过通用图像分割与时间传播结合，实现开放世界的视频分割，易于扩展。
- XMem: Long-Term Video Object Segmentation（ECCV 2022）——从记忆角度出发，有效建模短期和长期依赖。已被 supervisely 和 Track-Anything 使用。
- Rethinking Space-Time Networks with Improved Memory Coverage（NeurIPS 2021）——一种简单有效的帧间像素对应建模方法，被 Trioscope 和 BURST 使用。
- Modular Interactive Video Object Segmentation（CVPR 2021）——将交互式视频分割解耦为单帧交互和时间传播，显著提升性能，被 Sieve 使用。
- CascadePSP: Toward Class-Agnostic and Very High-Resolution Segmentation（CVPR 2020）——迭代细化网络，仅使用低分辨率训练数据（每边小于500像素）即可实现高质量4K+分割。
特点说明
- 视觉展示：研究项目带有视频演示，鼠标悬停即可播放，直观展示算法效果。
- 学术性：每个项目提供论文、代码、项目页面，方便深入学习和复现。
- 影响力：多个研究成果被工业界和学术界采用，例如 Supervisely、Track-Anything、iMotions 等。
- 简洁设计：页面布局清晰，重点突出研究成果，便于访客快速了解作者的工作。
总的来说，这是一个典型的AI研究员个人主页，用于展示学术成果、提升学术影响力，并方便同行交流。
注意：content要800-2000字，上面可能不够，需要扩充。我们可以增加细节，比如对每个项目的描述更详细，或者总结研究方向。注意不要联想，基于原文。
我们扩写一下：在简介部分可以多写一些背景。在主要功能部分可以更详细。另外原文提到"hover over videos to play"，我们提到了。我们还可以提到页面底部有Work Experience。
我们重新组织，确保字数。
另外注意：标题是"Rex Cheng"，description 50-200字，我们写80字左右。tags 3-4个。categories 选择一个。compliant true，reason空。
我们按JSON格式输出。注意JSON中content里包含换行，需要转义？实际输出时可以用多行字符串，但JSON标准需要转义。我们作为AI，输出JSON格式时，content中的换行符需要转义为\n，但为了可读性，有时会使用多行字符串？严格JSON需要转义。在回答中，我们可以输出包含换行的JSON？用户要求"严格按照JSON格式返回"，所以我们应该输出一个有效的JSON字符串，其中content字段包含\n转义。但也可以使用markdown的多行？通常我们输出JSON时，content里的换行用\n表示。我们可以在内容中使用\n。不过为了简化，也可以将content写为带换行的字符串，用双引号包裹，换行符转义。在最终输出中，我们需要确保它是合法JSON。我会在content中使用\n。
我们编写完整JSON。
注意：网页正文内容中有些英文，我们需要用中文描述。但可以保留英文项目名。我们写中文。
描述：这是Rex Cheng（郑浩基？）的个人学术主页。他目前是Luma AI的研究科学家，专注于多模态基础模型。主页展示了他发表的多个计算机视觉论文，包括视频对象分割、多模态生成等，并提供项目链接、代码、视频演示以及工作经历等信息。
字数约80字，符合。
tags: ["AI研究", "计算机视觉", "个人主页", "学术"]。注意不要太多。
categories: ["知识百科"] 或者 ["学术论文"]？考虑到内容主要是研究展示，我觉得"知识百科"有点勉强，而"学术论文"更准确，因为网站展示的是论文。但"学术论文"分类可能指论文数据库。这个个人主页也可以归为"学术论文"。或者"学习教育"？我认为"学术论文"可以。我们选择["学术论文"]。
compliant: true, reason: "" (按照要求：合规时为空字符串)
content：详细写。我们最终输出如下。
注意：开头必须有 作为网站截图。这个图片链接是网站URL，但实际图片可能不是截图，但用户要求这样。我们照做。
我们编写content，大约1200字。我们来写：
# Rex Cheng 个人学术主页
## 网站简介
Rex Cheng 的个人学术主页，展示了 Ho Kei (Rex) Cheng 的学术研究成果和研究经历。他目前是 Luma AI 的研究科学家，致力于多模态基础模型的研究。他曾在美国伊利诺伊大学厄巴纳-香槟分校（UIUC）攻读博士学位，师从 Alexander Schwing，并在 Adobe Research、Kaiber、Sony AI、Meta FAIR/MSL 等知名机构实习。此前，他在香港科技大学学习，由 Yu-Wing Tai 和 Chi Keung Tang 指导。该主页包含其发表的论文列表、项目演示视频、代码链接以及工作履历，是了解其研究工作的综合窗口。
## 主要功能/内容
主页主要分为三个部分：
### 1. 个人简介
- 当前职位：Luma AI 研究科学家（2026年5月至今）。
- 教育经历：UIUC 博士，师从 Alexander Schwing；香港科技大学本科/硕士，师从 Yu-Wing Tai 和 Chi Keung Tang。
- 实习经历：Adobe Research、Kaiber、Sony AI、Meta FAIR/MSL。
- 相关链接：GitHub、Google Scholar、个人简历（CV）。
### 2. 精选研究项目
主页通过视频演示的形式列出了多个高水平研究成果，每个项目都附有论文链接、项目主页、代码和 arXiv 地址，包括：
- **SAM 3: Segment Anything with Concepts**（ICLR 2026）
一个统一的模型，用于通过文本、示例和视觉提示对图像和视频中的对象进行检测、分割和跟踪。
- **The Curse of Conditions: Analyzing and Improving Optimal Transport for Conditional Flow-Based Generation**（ICCV 2025）
通过条件感知的样本耦合实现更直的流，避免朴素最优传输带来的测试时性能退化。
- **MMAudio: Taming Multimodal Joint Training for High-Quality Video-to-Audio Synthesis**（CVPR 2025）
从视频或文本输入生成高质量同步音频，其架构支持在部分模态缺失的多源数据上训练。
- **Putting the Object Back into Video Object Segmentation**（CVPR 2024 Highlight）
使用对象 Transformer 结合像素级与对象级特征，实现高效稳健的视频对象分割，已被 iMotions 和 Annolid 采用。
- **Tracking Anything with Decoupled Video Segmentation**（ICCV 2023）
通过通用图像分割与时间传播的结合，实现开放世界的视频分割，易于扩展。
- **XMem: Long-Term Video Object Segmentation with an Atkinson-Shiffrin Memory Model**（ECCV 2022）
从记忆角度建模短期与长期依赖，已用于 Supervisely 和 Track-Anything。
- **Rethinking Space-Time Networks with Improved Memory Coverage for Efficient Video Object Segmentation**（NeurIPS 2021）
一种简单有效的帧间像素对应建模方法，被 Trioscope 和 BURST 使用。
- **Modular Interactive Video Object Segmentation: Interaction-to-Mask, Propagation and Difference-Aware Fusion**（CVPR 2021）
将交互式视频分割解耦为单帧交互和时间传播，显著提升性能，被 Sieve 使用。
- **CascadePSP: Toward Class-Agnostic and Very High-Resolution Segmentation via Global and Local Refinement**（CVPR 2020）
迭代细化网络，仅使用低分辨率训练数据即可实现高质量 4K+ 分割。
### 3. 工作经历
- Luma AI：研究科学家（2026年5月至今），负责多模态基础模型。
- Meta FAIR/MSL：研究实习生（2025年5月-11月），开发了 SAM 3 和 SAM 3.1 中的对象多路复用技术。
- Sony AI：研究实习生（2024年5月-11月），开发了 MMAudio 多模态流匹配生成模型。
## 特点说明
- **视觉化展示**：研究项目附有视频演示，鼠标悬停即可播放，直观展示算法效果。
- **学术深度**：提供论文、代码、项目页面，方便读者深入了解和复现。
- **工业应用**：多项研究成果已被实际产品/工具采用，例如 Supervisely、Track-Anything、iMotions 等，体现了研究的实用价值。
- **简洁清晰**：页面结构简洁，重点突出，便于快速了解作者的研究方向与成果。
该网站是一个典型的计算机视觉/AI研究员个人学术主页，适合同行学者、学生和工程师访问，以获取最新的研究动态和相关资源。
以上约900字？我们数一下，可能不到800。我们需确保800-2000字。可以再扩充一些，比如在简介部分增加研究方向描述，在项目描述中多写几句。或者增加一个"访问建议"之类的。但不要联想。我们可以对每个项目的描述稍微展开，比如SAM 3是什么，MMAudio是什么。但原文已经给了。我们可以在“主要功能”中增加对视频演示的说明。还可以提到页面底部有“Selected Research”和“Work Experience”两个板块。我们重新组织，添加一些内容。
我们写一个更长的版本。注意不要输出联想内容，即只基于原文事实。我们可以在每个项目描述中，保留原文的句子，用中文翻译。我们已经做了。可以再增加一些过渡句。
另外，注意title我们写"Rex Cheng"，标签是["AI研究","计算机视觉","个人主页","学术"]。分类["学术论文"]。reason为空。
最终输出JSON。注意转义。我们可以这样构造：
{ "title": "Rex Cheng", "description": "这是Rex Cheng的个人学术主页。他目前是Luma AI的研究科学家，专注于多模态基础模型。主页展示了他发表的多个计算机视觉论文，包括视频对象分割、多模态生成等，并提供项目链接、代码、视频演示以及工作经历等信息。", "tags": ["AI研究", "计算机视觉", "个人主页", "学术"], "categories": ["学术论文"], "compliant": true, "reason": "", "content": "..." }
content中的换行用\n表示。注意在JSON中，反斜杠需要转义。我们直接使用多行字符串？在最终回答中，我们可以原样输出包含换行的文本，但它不是严格JSON。用户要求严格JSON，所以最好将content中的换行转换为\n。但这样可读性差。有时在输出中可以使用多行字符串但用json.dumps？作为一个AI，我们通常输出格式化的JSON，其中字符串包含换行符时，可以写成带有\n的转义。我们可以在markdown代码块中输出JSON，这样换行可以允许？但严格来说，JSON字符串内不能有未转义的换行。所以我们用\n。
让我们构造content字符串，将所有换行转义为\n。在最终输出时，我们可以写一个包含\n的字符串，像这样：
"content": "\n\n# Rex Cheng 个人学术主页\n\n## 网站简介\n\n..."
这样是合法的。但为了可读性，我们也可以保持多行字符串，但严格JSON不允许。按照用户要求，我们输出严格JSON，所以采用\n。
注意：在JSON中，双引号内的换行必须转义。我们写的时候用\n表示。另外，如果内容中有双引号，需要转义为"。我们的content中可能没有双引号。我们使用中文标点。
我们生成最终的JSON字符串。注意控制字数。我们写content，然后将其中的换行替换为\n。我们可以手动写。
为了简化，我们直接在回答中输出JSON，其中content字段使用多行字符串？许多AI会这样做，但严格地说不是合法JSON。用户要求"严格按照JSON格式返回"，所以我们要合法。我们使用转义。
我们计算一下content字数。我们可以写约1000字。在生成时，我们使用\n。注意，我们还要确保开头是作为截图。我们写。
好，开始写最终回答。```json
{
"title": "Rex Cheng",
"description": "这是Rex Cheng的个人学术主页。他目前是Luma AI的研究科学家，专注于多模态基础模型。主页展示了他发表的多个计算机视觉论文，包括视频对象分割、多模态生成等，并提供项目链接、代码、视频演示以及工作经历等信息。",
"tags": ["AI研究", "计算机视觉", "个人主页", "学术"],
"categories": ["学术论文"],
"compliant": true,
"reason": "",
"content": "\n\n# Rex Cheng 个人学术主页\n\n## 网站简介\n\nRex Cheng 的个人学术主页，展示了 Ho Kei (Rex) Cheng 的学术研究成果和研究经历。他目前是 Luma AI 的研究科学家，致力于多模态基础模型的研究。他曾在美国伊利诺伊大学厄巴纳-香槟分校（UIUC）攻读博士学位，师从 Alexander Schwing，并在 Adobe Research、Kaiber、Sony AI、Meta FAIR/MSL 等知名机构实习。此前，他在香港科技大学学习，由 Yu-Wing Tai 和 Chi Keung Tang 指导。该主页包含其发表的论文列表、项目演示视频、代码链接以及工作履历，是了解其研究工作的综合窗口。\n\n## 主要功能/内容\n\n主页主要分为三个部分：\n\n### 1. 个人简介\n\n- 当前职位：Luma AI 研究科学家（2026年5月至今）。\n- 教育经历：UIUC 博士，师从 Alexander Schwing；香港科技大学本科/硕士，师从 Yu-Wing Tai 和 Chi Keung Tang。\n- 实习经历：Adobe Research、Kaiber、Sony AI、Meta FAIR/MSL。\n- 相关链接：GitHub、Google Scholar、个人简历（CV）。\n\n### 2. 精选研究项目\n\n主页通过视频演示的形式列出了多个高水平研究成果，每个项目都附有论文链接、项目主页、代码和 arXiv 地址，包括：\n\n- SAM 3: Segment Anything with Concepts（ICLR 2026）\n 一个统一的模型，用于通过文本、示例和视觉提示对图像和视频中的对象进行检测、分割和跟踪。\n\n- The Curse of Conditions: Analyzing and Improving Optimal Transport for Conditional Flow-Based Generation（ICCV 2025）\n 通过条件感知的样本耦合实现更直的流，避免朴素最优传输带来的测试时性能退化。\n\n- MMAudio: Taming Multimodal Joint Training for High-Quality Video-to-Audio Synthesis（CVPR 2025）\n 从视频或文本输入生成高质量同步音频，其架构支持在部分模态缺失的多源数据上训练。\n\n- Putting the Object Back into Video Object Segmentation（CVPR 2024 Highlight）\n 使用对象 Transformer 结合像素级与对象级特征，实现高效稳健的视频对象分割，已被 iMotions 和 Annolid 采用。\n\n- Tracking Anything with Decoupled Video Segmentation（ICCV 2023）\n 通过通用图像分割与时间传播的结合，实现开放世界的视频分割，易于扩展。\n\n- XMem: Long-Term Video Object Segmentation with an Atkinson-Shiffrin Memory Model（ECCV 2022）\n 从记忆角度建模短期与长期依赖，已用于 Supervisely 和 Track-Anything。\n\n- Rethinking Space-Time Networks with Improved Memory Coverage for Efficient Video Object Segmentation（NeurIPS 2021）\n 一种简单有效的帧间像素对应建模方法，被 Trioscope 和 BURST 使用。\n\n- Modular Interactive Video Object Segmentation: Interaction-to-Mask, Propagation and Difference-Aware Fusion（CVPR 2021）\n 将交互式视频分割解耦为单帧交互和时间传播，显著提升性能，被 Sieve 使用。\n\n- CascadePSP: Toward Class-Agnostic and Very High-Resolution Segmentation via Global and Local Refinement（CVPR 2020）\n 迭代细化网络，仅使用低分辨率训练数据即可实现高质量 4K+ 分割。\n\n### 3. 工作经历\n\n- Luma AI：研究科学家（2026年5月至今），负责多模态基础模型。\n- Meta FAIR/MSL：研究实习生（2025年5月-11月），开发了 SAM 3 和 SAM 3.1 中的对象多路复用技术。\n- Sony AI：研究实习生（2024年5月-11月），开发了 MMAudio 多模态流匹配生成模型。\n\n## 特点说明\n\n- 视觉化展示：研究项目附有视频演示，鼠标悬停即可播放，直观展示算法效果。\n- 学术深度：提供论文、代码、项目页面，方便读者深入了解和复现。\n- 工业应用：多项研究成果已被实际产品/工具采用，例如 Supervisely、Track-Anything、iMotions 等，体现了研究的实用价值。\n- 简洁清晰：页面结构简洁，重点突出，便于快速了解作者的研究方向与成果。\n\n该网站是一个典型的计算机视觉/AI研究员个人学术主页，适合同行学者、学生和工程师访问，以获取最新的研究动态和相关资源。"
}