填入数据有所缺失。  DeepSeek R1与Claude 3.5 sonnet均能很好的完成文件数据读取任务，生成的表格逻辑性强、数据指标清晰，Claude 3.5 sonnet一 次性完成表格生成后支持直接复制和表格文件下载。  Open AI o3mini能够更加高效地完成数据提取任务，输出表格准确，但暂不支持附件上传，文件读取依靠粘贴稍显不便；Kimi k1.5文 件数据提取有明显空缺。 结论 末尾缺失，需要重复尝试生成。 长文本（15000token）：暂时 无法给出答复。 【所需阅读文本】请根据以上文本完成以下三个任务：1、阅读 文本内容；2、整理集成可视化的数据表格；3、按照日期规范排 序（直接分析并输出结果，不使用python） 提示词 测试结果受到数据样本、测试环境、AI抽卡、提示词模板等因素影响，仅供参考，无法作为决策制定、质量评估或产品验证的最终依据。 文本数据集成  一般文本处理任务中，DeepSeek 2、对数据集进行深入分析和数据挖掘 任务 DeepSeek R1 能够准确对数据进行分类，从多个维度进行梳理和分析，借助可视化图表进行数据挖掘，基于分析结 果提供可行建议，但整体数据挖掘深度较浅，缺少对不同类型数据直接关联性的探究。 第一轮对话： 第二轮对话： （基于初步分析结果，选择其中一部分或某个方 向进行深入的数据挖掘） 提示词 测试结果受到数据样本、测试环境、AI抽卡、提示词模板等因素影响，

DeepSeek是一家专注通用人工智能（AGI）的中国科技公司，主攻大模型研发与应 用。 • DeepSeek-R1是其开源的推理模型，擅长处理复杂任务且可免费商用。 Deepseek可以做什么？ 直接面向用户或者支持开发者，提供智能对话、文本生成、语义理解、计算推理、代码生成补全等应用场景， 支持联网搜索与深度思考模式，同时支持文件上传，能够扫描读取各类文件及图片中的文字内容。 文本生成 表格、列表生成（如日程安排、菜谱） 推理模型：简洁指令，聚焦目标，信任其内化能力。（“要什么直接说”）。 • 通用模型：结构化、补偿性引导（“缺什么补什么”）。 避免误区 • 不要对推理模型使用“启发式”提示（如角色扮演），可能干扰其逻辑主线。 • 不要对通用模型“过度信任”（如直接询问复杂推理问题，需分步验证结果）。 从“下达指令”到“表达需求” 策略类型 定义与目标 适用场景 示例（推理模型适用） 优势与风险 指令驱动 直接给出明确步骤或 格式要求 任务需求与提示语策略 任务类型 适用模型 提示语侧重点 示例（有效提示） 需避免的提示策略 数学证明 推理模型 直接提问，无需分步引导 “证明勾股定理” 冗余拆解（如“先画图，再列公式”） 通用模型 显式要求分步思考，提供示例 “请分三步推导勾股定理，参考： 1. 画直角三角形…” 直接提问（易跳过关键步骤） 创意写作 推理模型 鼓励发散性，设定角色/风格 “以海明威的风格写一个冒险故事”

DeepSeek是一家专注通用人工智能（AGI）的中国科技公司，主攻大模型研发与应 用。 • DeepSeek-R1是其开源的推理模型，擅长处理复杂任务且可免费商用。 Deepseek可以做什么？ 直接面向用户或者支持开发者，提供智能对话、文本生成、语义理解、计算推理、代码生成补全等应用场景， 支持联网搜索与深度思考模式，同时支持文件上传，能够扫描读取各类文件及图片中的文字内容。 文本生成 表格、列表生成（如日程安排、菜谱） 推理模型：简洁指令，聚焦目标，信任其内化能力。（“要什么直接说”）。 • 通用模型：结构化、补偿性引导（“缺什么补什么”）。 避免误区 • 不要对推理模型使用“启发式”提示（如角色扮演），可能干扰其逻辑主线。 • 不要对通用模型“过度信任”（如直接询问复杂推理问题，需分步验证结果）。 从“下达指令”到“表达需求” 策略类型 定义与目标 适用场景 示例（推理模型适用） 优势与风险 指令驱动 直接给出明确步骤或 格式要求 任务需求与提示语策略 任务类型 适用模型 提示语侧重点 示例（有效提示） 需避免的提示策略 数学证明 推理模型 直接提问，无需分步引导 “证明勾股定理” 冗余拆解（如“先画图，再列公式”） 通用模型 显式要求分步思考，提供示例 “请分三步推导勾股定理，参考： 1. 画直角三角形…” 直接提问（易跳过关键步骤） 创意写作 推理模型 鼓励发散性，设定角色/风格 “以海明威的风格写一个冒险故事”

r j i 6 n p Y d O w t v B 4 G 0 G p y 8 U I q e T 9 M 6 Deepseek的能力图谱 直接面向用户或者支持开发者，提供智能对话、文本生成、语义理解、计算推理、代码生成补全等应用场 景， 支持联网搜索与深度思考模式，同时支持文件上传，能够扫描读取各类文件及图片中的文字内容。 决策支持 关键技巧： p 数据嫁接：若缺乏具体数据，直接让AI生成合理虚构值（标注“示例”规避风险）： p “假设园区占地500亩，日均处理包裹量50万件，请计算自动化分拣设备的配置数量，用表格展示。” p 模板复制：对同类章节（如3.1/3.2/3.3）使用相同指令模板，仅替换关键词。 p 强制格式：要求AI输出带编号小标题、分点、表格的内容，直接粘贴后即显“专业感”。 第三阶段：20分钟——用AI补全软性内容（目标：1000字） 假（附交接文 档）。 • 保持灵活应对：即使领导有情绪，坚持“解决问题”而非“对抗”态度，如：“您看这样 处理是否可行？我可以再调整。” 关键提醒： • 避免：“可能”“尽量”等模糊词汇，直接说“我能做到XX”。 • 证明可靠性：提前整理好交接文档（用AI辅助检查遗漏），主动降低领导风险感知。 • 人性化：适当流露脆弱（如“这次确实很难兼顾”），但强调“不愿让团队受影响”。 • 通

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。 第一步，使用的是 ollama 管理各种不同大模型，ollama 比较直接、干净， 一键下载后安装就行，安装过程基本都是下一步。 不知道去哪里下载的，可以直接在我的公众号后台回复：ollama，下载这个 软件，然后装上，可以拿着手机扫码下图1直达我的公众号： 教程作者：郭震，工作 8 年目前美国 AI 博士在读，公众号：郭震 AI，欢迎关注获取更多原创教程。资 料用心打磨且开源，是为了帮助更多人了解获取 AI 知识，严禁拿此资料引流、出书、等形式的商业活动 至此在我们本地电脑，DeepSeek 大模型就下载到我们本地电脑，接下来第 三步就可以直接使用和它对话了。在 cmd(Windows 电脑) 或 terminal(苹果 电脑) 执行命令：ollama run deepseek-r1:1.5b，很快就能进入对话界面，如 下图4所示： 知识，严禁拿此资料引流、出书、等形式的商业活动 通用任务上的表现。更加详细介绍参考3.3节。 3.2 含 R1-Zero 的中间推理模型训练过程 中间模型占据主要训练精力的阶段，实际上完全通过推理导向的强化学习 直接训练而成，完全跳过了监督微调（SFT），如下图8所示，只在强化学习 的冷启动阶段使用了 SFT。 图 8: Interim reasoning model 训练方法 大规模推理导向的强化学习训练，必不可少的就是推理数据，手动标注就

中国DeepSeek-R1的创新突破，诞生推理型Scaling Law，改 写AI发展方向 30政企、创业者必读 DeepSeek在用户体验上实现了三件事  更加理解用户需求，降低Prompt要求  直接呈现思维过程，展现像真人一样思考的能力  可实时联网，把搜索能力与推理能力结合 DeepSeek颠覆式创新——用户体验 具备强大推理能力，思维过程更加缜密，智能性提升 用起来更像真人，写作能力更强，想象力更丰富 文化，加速中国领先地位  中国人民使用的AI工具先进性已超过美国，普及率超过美国， 使用AI人口超过美国总人口，且直接用上最先进的DeepSeek-R1 DeepSeek颠覆式创新——开源 33政企、创业者必读 新时代下的集中力量办大事  每个企业都可以直接使用DeepSeek，因为开源透明可信任，企业和 政府可做大量私有化部署  一个开源产品获得突破之后，全世界都能分享成果，结束中国百模大 DeepSeek可适配国产硬件，促进国产硬件发展  DeepSeek的优化降低对推理硬件的要求，减少推理成本  训练成本降低，堆显卡模式受质疑，探索新思路，算法优化空间大  无需训练自己的基座模型，直接部署在DeepSeek上，不用重复发明轮子  公开蒸馏方法，帮助其他模型提升能力，实现了模型制造模型，犹如工业母机  小模型可部署在企业内电脑或一体机上，使用成本降低，形成分布式推理网络  技术门槛降低，

都包括，如图 11 所示。 13 Figure 11: Ollama 下载 在这里已经为大家准备好，只需要在我的微信公众号郭震 AI，回复消息： ollama，就能下载到软件。 下载之后打开，直接点击 Next 以及 Install 安装 ollama，安装步骤非常简 单。 3.1.2 步骤 2：安装 Llama 下载 Llama3，打开新的终端/命令行窗口，执行以下命令： ollama 17: Ollama 安装 phi-3 模型 3.2.2 使用 phi-3 如果在命令窗口中，直接使用 phi-3，可以执行命令：ollama run phi3，然后就 会进入到会话界面。 如果是在 lobechat 中使用，进入主页后，在最上面一行，选择模型 phi-3- mini，然后就能直接提问了，这种界面会更加友好，如图 18所示。关于如何安 装 lobechat，会在下面一节讲解。 部署本地知识库，可以借助大模型能力，自动检索我们的工作学习文档，实现 对文档内容的实时搜索与问答。 因为大模型、知识库和文档全部运行在本地，所以公司内的业务数据不会泄 密，个人隐私不会泄密，保证这些同时，让：办公效率直接原地起飞！ 搭建完成后，实现的效果如图 28： Figure 28: 按照本文教程走完实现的本地知识库效果，大模型 + 个人知识库， 太香了！ 5.2 docker 下载 MaxKB MaxKB

基础设施：大模型框架及微调 (Fine Tuning) 想要微调一个模型，一般包含以下关键步骤： 1.选择预训练模型：选取一个已经在大量数据上进 行过预训练的模型作为起点； 2.准备任务特定数据：收集与目标任务直接相关的 数据集，这些数据将用于微调模型； 3.微调训练：在任务特定数据上训练预训练的模型， 调整模型参数以适应特定任务； 4.评估：在验证集上评估模型性能，确保模型对新 数据有良好的泛化能力； CodeGeeX、百度 Comate 等都是十分优秀的 AI 编 程工具。 GitHub Copilot Codeium Warp Cursor 22 / 32 AI 编程新形态：代码生成工具 通过原型或图片直接生成包含代码的完整页面， 。 、 、 都是该形态出色的产品。 tldraw v0.dev Screenshot to code 23 / 32 LLM Agent（AI Agent） TPU）、内存、存储空间以及处理 大量数据的能力。LLM 需要非常强大的算力来处理、理解和生成文本，因为它们涉及到数十亿甚至数万亿个参数的训练和推理。 LLM 的基石是算力，而算力的基石是硬件，硬件的性能直接影响着计算任务的速度、效率和能力。 是全球领先的 GPU 制造商，提供了强大的图形处理单元，专门用于深度学习和AI计算。 AI 处理器和基础软件构建 Atlas 人工智能计算解决 方案，打造面向“端、边、云”的全场景

当前各大芯片厂商的部署工具大多数都支持，支持 caffe 前端有利于提高竞争力。 开源社区 存量的开源 caffe 网络模型众多，TVM 直接支持 caffe 让大家更方便尝试 caffe 资源。绝赞招聘中 当前进度 无 caffe 依赖 from_caffe 直接导入 caffe 模型文件，不需要预先安装 caffe 。 net 已测试网络：alexnet / densenet121 / inception

（a）在算法设计、模型训练和优化、提供服务等过程中，应采取训练数 据筛选、输出校验等方式，防止产生民族、信仰、国别、地域、性别、年龄、 职业、健康等方面歧视。 （b）应用于政府部门、关键信息基础设施以及直接影响公共安全和公民 生命健康安全的领域等重点领域的人工智能系统，应具备高效精准的应急管控 措施。 5. 综合治理措施 在采取技术应对措施的同时，建立完善技术研发机构、服务提供者、用户、 政 或提前终止服务。 （j）服务提供者应评估人工智能产品对使用者的影响，防止对使用者身 心健康、生命财产等造成危害。 6.3 重点领域使用者安全应用指引 （a）对于政府部门、关键信息基础设施以及直接影响公共安全和公民生- 15 - 人工智能安全治理框架 命健康安全的领域等重点领域使用者，应审慎评估目标应用场景采用人工智能 技术后带来的长期和潜在影响，开展风险评估与定级，避免技术滥用。