依存关系）。 p 偏误信息的引入导致讨论变得更加频繁， 意见分布更加多样化，表明确认偏见和 信息噪声对意见动态的显著影响。 50个智能体的在线社区模拟仿真 场景3：多智能体在线社区模拟 场景4：无人区研究+快速出成果 素数位数关系理论及其思考—— 邵宇捷 各思路具体化及 Python验算 人类提供已有参考案例（拉马努金数、 阿姆斯特朗数等） AI提出可能思路 要求AI迭代调整或人 类介入提供具体设想 希望孩子能有更多的自由去探索。” 3.倾听对方的观点，寻找共同点 • 示例：问婆婆，“您是怎么想的？为什么觉得这样 更好？” 4.寻求共识，提出妥协方案 • 示例：提出，“我们可以尝试结合我们的方法，找 到一个平衡点。” 5.设定界限，明确尊重的重要性 • 示例：温和但坚定地说，“我理解您的用心，但我 希望我们能互相尊重。” 对话技巧 1.使用“我”语句：如“我感到担心…”，避免指责对方。 向量点积 与模长乘积的比值，评估文本间的相似性，取值范围为[-1, 1]， 值越接近1表示相似性越高。该方法广泛应用于信息检索和自 然语言处理领域，可有效评估文本内容的相似程度。 重复率计算 使用n-gram方法（n=2），将生成文本分为连续的2-gram片 段，统计重复片段的比例。这个方法能够识别文本冗余信息并 评估内容多样性，特别适用于长文本生成。 最终智能体知识循环边界公式如下。其中，权重w1=0

发现模式或因果关系 问题 + 数据/信息 + 分析 方法 触发因果链推导与假设验 证 表层总结或分类 3. 创造性需求 需生成新颖内容（文本/ 设计/方案） 主题 + 风格/约束 + 创新 方向 结合逻辑框架生成结构化 创意 自由发散，依赖示例引导 4. 验证需求 需检查逻辑自洽性、数 据可靠性或方案可行性 结论/方案 + 验证方法 + 风险点 自主设计验证路径并排查 ①自建区域仓库（初期投入高，长期成本低） ②与第三方合作（按需付费，灵活性高） 请根据ROI计算模型，对比5年内的总成本并推荐最优 解。" �实战技巧： "以下是某论文结论：'神经网络模型A优于传统方法B'。 请验证： ① 实验数据是否支持该结论； ② 检查对照组设置是否存在偏差； ③ 重新计算p值并判断显著性。" �实战技巧： 分析需求 "分析近三年新能源汽车销量数据（附CSV），说明： 设计灵活、可扩展的提示语模板 创建适应不同场景的元提示语 批判性思考 客观评估AI输出，识别潜在偏见和错误 设计反事实提示语，测试AI理解深度 构建验证机制，确保AI输出的可靠性 创新思维 探索非常规的提示语方法 结合最新AI研究成果，拓展应用边界 设计实验性提示语，推动AI能力的进化 伦理意识 在提示语中嵌入伦理考量 设计公平、包容的AI交互模式 预防和缓解AI可能带来的负面影响 掌握提示语设计：AIGC时代的必备技能

发现模式或因果关系 问题 + 数据/信息 + 分析 方法 触发因果链推导与假设验 证 表层总结或分类 3. 创造性需求 需生成新颖内容（文本/ 设计/方案） 主题 + 风格/约束 + 创新 方向 结合逻辑框架生成结构化 创意 自由发散，依赖示例引导 4. 验证需求 需检查逻辑自洽性、数 据可靠性或方案可行性 结论/方案 + 验证方法 + 风险点 自主设计验证路径并排查 ①自建区域仓库（初期投入高，长期成本低） ②与第三方合作（按需付费，灵活性高） 请根据ROI计算模型，对比5年内的总成本并推荐最优 解。" �实战技巧： "以下是某论文结论：'神经网络模型A优于传统方法B'。 请验证： ① 实验数据是否支持该结论； ② 检查对照组设置是否存在偏差； ③ 重新计算p值并判断显著性。" �实战技巧： 分析需求 "分析近三年新能源汽车销量数据（附CSV），说明： 设计灵活、可扩展的提示语模板 创建适应不同场景的元提示语 批判性思考 客观评估AI输出，识别潜在偏见和错误 设计反事实提示语，测试AI理解深度 构建验证机制，确保AI输出的可靠性 创新思维 探索非常规的提示语方法 结合最新AI研究成果，拓展应用边界 设计实验性提示语，推动AI能力的进化 伦理意识 在提示语中嵌入伦理考量 设计公平、包容的AI交互模式 预防和缓解AI可能带来的负面影响 掌握提示语设计：AIGC时代的必备技能

占话语权和议程设置权，左右公众价值观和思维认知。 3.2.4 伦理域安全风险 （a）加剧社会歧视偏见、扩大智能鸿沟的风险。利用人工智能收集分析 人类行为、社会地位、经济状态、个体性格等，对不同人群进行标识分类、区 别对待，带来系统性、结构性的社会歧视与偏见。同时，拉大不同地区人工智 能鸿沟。 （b）挑战传统社会秩序的风险。人工智能发展及应用，可能带来生产工具、 生产关系的大幅改变，加速重构传统行业模式，颠覆传统的就业观、生育观、 ，开 源人工智能技术，共同研发人工智能芯片、框架、软件，引导产业界建立开放 生态，增强供应链来源多样性，保障人工智能供应链安全性稳定性。 5.6 推进人工智能可解释性研究。从机器学习理论、训练方法、人机 交互等方面组织研究人工智能决策透明度、可信度、纠错机制等问题，不断提 高人工智能可解释性和可预测性，避免人工智能系统意外决策产生恶意行为。 5.7 人工智能安全风险威胁信息共享和应急处置机制。持续跟踪分析 用版本应 可以回退到以前的商用版本。 （g）研发者应定期开展安全评估测试，测试前明确测试目标、范围和安 全维度，构建多样化的测试数据集，涵盖各种应用场景。 （h）研发者应制定明确的测试规则和方法，包括人工测试、自动测试、 混合测试等，利用沙箱仿真等技术对模型进行充分测试和验证。 （i） 研发者应评估人工智能模型算法对外界干扰的容忍程度，以适用范 围、注意事项或使用禁忌的形式告知服务提供者和使用者。

强化学习驱动：DeepSeek R1-Zero 是首个完全基于强化学习（RL） 训练的推理模型，无需任何监督微调（SFT）步骤，打破传统模型依 赖大量标注数据的惯例。DeepSeek-R1 采用强化学习作为核心训练 方法，显著提升了模型的推理能力和语言表达的可读性。 • 推理能力专项提升：在除了利用强化学习模型结合跨领域训练提升模 型综合技能以外，还重点提升了模型在数学、代码、逻辑推理等硬核 任务上的能力。 编程和自然语言推理等任务中表现出色。 • 多模态任务处理：DeepSeek R1 在多模态任务中表现出色，能够 处理复杂场景下的逻辑、公式识别及自然图像等问题，显示出其在 多模态任务中的广泛应用潜力。 训练方法：数据冷启，阶段递进 DeepSeek R1 采用了冷启动数据和多阶段训练的策略，以进一步提升模型的推理能力和可读性。  冷启动数据  多阶段训练 • 定义与作用：冷启动数据是指在模型训练初期，引入的一小部 e e k 的 全 栈 开 源 策 略 （ 模 型 权 重 、 训 练 代 码 均 采 用 M I T 协 议 ） ， 吸 引 了 全 球 开 发 者 参 与 ， 形 成 了 强 大 的 社 区 生 态 。 这 种 开 放 模 式 加 速 了 技 术 迭 代 ， 削 弱 了 闭 源 巨 头 的 技 术 壁 垒 ， 推 动 全 球 A I 研 发 从 “ 封 闭 垄 断 ” 向 “开放协作”转型。

感情用事，难以用理智控制情绪 C. 遇事能坚持自己正确认识 D. 已发展到不为小事而发怒和怄气 答案：B 在学完一篇逻辑结构严密的课文以后，勾画出课文的论点论据的逻辑关系图以 帮助理解和记忆。这种学习方法属于____。 A. 精细加工策略 B. 组织策略 C. 复述策略 D. 做笔记策略 答案：B 有学者强调，教育要根据一个民族固有的特征来定，这种观点体现了____ A. 生产力对教育的影响和制约 剪裁无巧似春风 - 风吹怨恨快如刀 - 春风欲擅秋风巧 Table 17 | An example of CCPM. 38 PROMPT Q: 某 小 学 在“献 爱 心–为 汶 川 地 震 区 捐 款”活 动 中 ， 六 年 级 五 个 班 共 捐 款8000元 ， 其 中 一 班 捐 款1500元 ， 二 班 比 一 班 多 捐 款200元 ， 三 班 捐 款1600元，四班与五班捐款数之比是3：5．四班捐款多少元？

4. 管理标准。规范人工智能技术、产品、系统、服务等全 生命周期涉及的人员、组织管理要求和评价，包括面向人工智能 组织的管理要求，人工智能管理体系、分类方法、评级流程等标 准。 5. 可持续标准。规范人工智能影响环境的技术框架、方法 和指标，平衡产业发展与环境保护，包括促进生态可持续的人工 智能软件开源基础框架，人工智能系统能效评价，人工智能与资 7 源利用、碳排放、废弃部件处置等标准。 口协议、性能评定、试验方法等技术要求，包括智能传感器的架 构、指令、数据格式、信息提取方法、信息融合方法、功能集成 方法、性能指标和评价方法等标准。 4. 计算设备标准。规范人工智能加速卡、人工智能加速模 组、人工智能服务器等计算设备，及使能软件的技术要求和测试 方法，包括人工智能计算设备虚拟化方法，人工智能加速模组接 口协议和测试方法，及使能软件的访问协议、功能、性能、能效 的测试方法和运行维护要求等标准。 算力中心标准。规范面向人工智能的大规模计算集群、 新型数据中心、智算中心、基础网络通信、算力网络、数据存储 8 等基础设施的技术要求和评估方法，包括基础设施参考架构、计 算能力评估、技术要求、稳定性要求和业务服务接口等标准。 6. 系统软件标准。规范人工智能系统层的软硬件技术要求， 包括软硬件编译器架构和优化方法、人工智能算子库、芯片软件 运行时库及调试工具、人工智能软硬件平台计算性能等标准。 7. 开发框架标准。规范人工智能开发框架相关的技术要求，

充 分评估需求与成本。通过国产化适配与云端服务，可显著降低⻛险并提升效率。技术⽆⽌境， 理性规划⽅能降本增效！ ⼿册更新与反馈：如有补充或修正，请联系⽂档作者，接⼊细节请阅读详细⽂档硅基流动社 区。 全球企业个⼈渠道附表 1. 秘塔搜索：https://metaso.cn 2. 360纳⽶AI搜索：https://www.n.cn/ 3. 硅基流动：https://cloud.siliconflow

Data FO Data FOData … QNNPACK Convolution 。，NHWC layout Cach， 浆百 FeU Cach- 区下 。， im2col + pack re 。 Tensorize GEMM Cache 大站 Fe Data FO Data

. . . . . . . . 5 2.2 Transformer 基础架构 . . . . . . . . . . . . . . . . . . . . . . 6 2.3 LLM 基本训练方法 . . . . . . . . . . . . . . . . . . . . . . . . 7 2.3.1 预训练（Pretraining） . . . . . . . . . . . . DeepSeek 好处 本地搭建 DeepSeek 三个比较实际的好处： • 本教程接入的是 DeepSeek 推理模型 R1，开源免费，性能强劲 • 本教程搭建方法 零成本，不需花一分钱。 • 为了照顾到大部分读者，推荐的搭建方法已将电脑配置要求降 到最低，普通电脑也能飞速运行。 1.2 DeepSeek 本地部署三个步骤 一共只需要三步，就能做到 DeepSeek 在本地运行并与它对话。 图 6: deepseek-r1 回复之正式回答部分 2 DeepSeek 零基础必知 为了更深入理解 DeepSeek-R1，首先需要掌握 LLM 的基础知识，包括其工 作原理、架构、训练方法。 近年来，人工智能（AI）技术的快速发展催生了大型语言模型（（Large Language Model, LLM））的兴起。LLM 在自然语言处理（NLP）领域 发挥着越来越重要的作用，广泛应用于智能问答、文本生成、代码编写、机