图像处理，扩展应用场景。  可解释性：注重模型输出 的可解释性和透明性。 DeepSeek R1  高效推理：专注于低延迟和 高吞吐量，适合实时应用。  轻量化设计：模型结构优化， 资源占用少，适合边缘设备 和移动端。  多任务支持：支持多种任务， 如文本生成、分类和问答。 Kimi k1.5  垂直领域优化：针对特定领域 （如医疗、法律）进行优化， 提供高精度结果。 长文本处理：擅长处理长文本 和复杂文档，适合专业场景。  定制化能力：支持用户自定义 训练和微调，适应特定需求。 Open AI o3 mini  小型化设计：轻量级模型， 适合资源有限的环境。  快速响应：优化推理速度， 适合实时交互场景。  通用性强：适用于多种自 然语言处理任务，如对话 生成和文本理解。 爬虫数据采集 1、阅读网页源代码，提取特定网页内容； k1.5相较短文本处理表现更加突出，提取准确的同时数据维度更加全面；由于文本过长DeepSeek R1无法完成任务；  综合来看，Open AI o3mini响应最快效率最高，但在数据集成维度上稍显不足，同时与Claude 3.5 sonnet所输出的表格更为工整、简洁。 Claude 3.5 sonnet 一般文本（7000token）： 能够准确提取文本数据，并 整理成可视化图表，表格文

领域用户和社会公众用户，开发应用人工智能技术的若干安全指导规范。 3. 人工智能安全风险分类 人工智能系统设计、研发、训练、测试、部署、使用、维护等生命周期 各环节都面临安全风险，既面临自身技术缺陷、不足带来的风险，也面临不当 使用、滥用甚至恶意利用带来的安全风险。 3.1 人工智能内生安全风险 3.1.1 模型算法安全风险 （a）可解释性差的风险。以深度学习为代表的人工智能算法内部运行逻 （c）训练数据标注不规范风险。训练数据标注过程中，存在因标注规则 不完备、标注人员能力不够、标注错误等问题，不仅会影响模型算法准确度、 可靠性、有效性，还可能导致训练偏差、偏见歧视放大、泛化能力不足或输出 错误。 （d）数据泄露风险。人工智能研发应用过程中，因数据处理不当、非授 权访问、恶意攻击、诱导交互等问题，可能导致数据和个人信息泄露。 3.1.3 系统安全风险 （a）缺陷、后门 人工智能安全治理框架 漏洞等脆弱点，还可能被恶意植入后门，存在被触发和攻击利用的风险。 （b）算力安全风险。人工智能训练运行所依赖的算力基础设施，涉及多源、 泛在算力节点，不同类型计算资源，面临算力资源恶意消耗、算力层面风险跨 边界传递等风险。 （c）供应链安全风险。人工智能产业链呈现高度全球化分工协作格局。 但个别国家利用技术垄断和出口管制等单边强制措施制造发展壁垒，恶意阻断 全球

符合预期并能够进行必要的调整，是实现高级提示语 工程的重要工具。 提示语的DNA：解构强大提示语的基本元素 提示语元素组合矩阵 提示语元素协同效应理论的核心观点包括： ▪ 互补增强：某些元素组合可以互相弥补不足，产生1+1>2的效果。 ▪ 级联激活：一个元素的激活可能引发一系列相关元素的连锁反应，形成 一个自我强化的正反馈循环。 ▪ 冲突调和：看似矛盾的元素组合可能产生意想不到的积极效果。 ▪ 涌 通过多步引导，实现更深入的内容 探讨 控制每个步骤的输出深度，避免冗余 创意激发 多角度提示激发AI的创造性思维 在创意和连贯之间找到平衡 质量控制 多次迭代提高内容质量 需要更多的实践和计算资源 灵活调整 可根据中奖结果随时调整后续提示 实时调整需要较高的判断和决策能力 提示语链的优势与挑战 提示语链的设计原则 01 目标明确性 02 逻辑连贯性 03 渐进复杂性 04 灵活适应性 Connection（连接）：建立子任务之间的逻辑关联 • Temporal Arrangement（时序安排）：考虑任务的时 间维度 • Resource Allocation（资源分配）：为每个子任务分配 适当的注意力资源 • Adaptation（适应）：根据AI反馈动态调整任务结构 为了更有效地进行任务分解，可以采用SPECTRA模型（Systematic Partitioning for

符合预期并能够进行必要的调整，是实现高级提示语 工程的重要工具。 提示语的DNA：解构强大提示语的基本元素 提示语元素组合矩阵 提示语元素协同效应理论的核心观点包括： ▪ 互补增强：某些元素组合可以互相弥补不足，产生1+1>2的效果。 ▪ 级联激活：一个元素的激活可能引发一系列相关元素的连锁反应，形成 一个自我强化的正反馈循环。 ▪ 冲突调和：看似矛盾的元素组合可能产生意想不到的积极效果。 ▪ 涌 通过多步引导，实现更深入的内容 探讨 控制每个步骤的输出深度，避免冗余 创意激发 多角度提示激发AI的创造性思维 在创意和连贯之间找到平衡 质量控制 多次迭代提高内容质量 需要更多的实践和计算资源 灵活调整 可根据中奖结果随时调整后续提示 实时调整需要较高的判断和决策能力 提示语链的优势与挑战 提示语链的设计原则 01 目标明确性 02 逻辑连贯性 03 渐进复杂性 04 灵活适应性 Connection（连接）：建立子任务之间的逻辑关联 • Temporal Arrangement（时序安排）：考虑任务的时 间维度 • Resource Allocation（资源分配）：为每个子任务分配 适当的注意力资源 • Adaptation（适应）：根据AI反馈动态调整任务结构 为了更有效地进行任务分解，可以采用SPECTRA模型（Systematic Partitioning for

保命优先级：先堆字数再优化，前30分钟专注“把文档撑到10000字”。 ü 虚构数据标注：所有AI生成的数据加“（示例）”后缀，避免背锅。 ü 格式障眼法：多用表格、图表、编号列表，视觉上掩盖文字密度不足。标题字体放大、段落间距调宽，快速“膨胀”页数。 ü 若有时间，再精雕细琢 场景2：新员工快速熟悉公司情况和行业情况 场景：小李刚刚加入一家制造电子元器件的公司，作为一个新员工，他需要在短时间内熟悉公司的产品线、组织 致 的误解和错误。通过DeepSeek的数据分析功能，新员 工可以更深入地理解行业动态和公司运营，做出更明智 的决策。 成本更低： 减少了对培训资源的依赖，新员工可以通过DeepSeek 自主学习，降低培训成本。通过提高工作效率，减少了 人力资源的浪费，降低了整体运营成本。 场景3：日常客户沟通与问题反馈处理 常见问题： 与甲方客户的沟通效率低，信息不对称，导致响应不及时或错误 场景：在 场景3：突发事件应急管理与跨界协调 情景还原：台风突袭导致孕期34周妻子被困郊区、数据中心备用电源仅能维持4小时、急需转移独居失智老 人、社区抢购导致物资短缺 DeepSeek应急协议： ① 资源热力图： 实时整合气象局数据/道路塌方报告/医院接诊状态 物资预测算法锁定3公里内未饱和便利店 ② 生命线工程： 孕妇救援通道： ✓ 自动生成医疗档案二维码 ✓ 无人机勘察可行路线 ✓ 协调民间救援队GPS定位

AI 知识，严禁拿此资料引流、出书、等形式的商业活动 逐步接近甚至超越了 OpenAI O1. 图 10: R1-Zero 惊人的推理能力 中间模型虽然推理能力很强，但存在可读性和多任务能力不足的问题，所以 才有了第二个创新。 3.3 通用强化学习训练过程 最终偏好调整（Preference Tuning），如下图11所示。通用强化学习训练过 程后，使得 R1 不仅在推理任务中表现卓越，同时在非推理任务中也表现出

Tuning) 大模型框架指专门设计用于构建、训练和部署大型机器 学习模型和深度学习模型的软件框架。这些框架提供了 必要的工具和库，使开发者能够更容易地处理大量的数 据、管理巨大的网络参数量，并有效地利用硬件资源。 微调（Fine Tuning）是在大模型框架基础上进行的一个 关键步骤。在模型经过初步的大规模预训练后，微调是 用较小、特定领域的数据集对模型进行后续训练，以使 其更好地适应特定的任务或应用场景。这一步骤使得通 相比前边的大模型框架和微调，一言以蔽之： 、 11 / 32 LLM 基础设施：大模型训练平台与工具 大模型训练平台与工具根据其性质不同，可分为以下几类： 这些平台提供了从模型开发到部署的综合解决方案，包括计算资源、 数据存储、模型训练和部署服务。它们通常提供易于使用的界面，支 持快速迭代和大规模部署。Amazon SageMaker、Google Cloud AI Platform 和 Microsoft 工具，如云原生构建多模态AI应用的工具 Jina，嵌入式数据库 txtai 等。 25 / 32 LLM 的工具、平台和资源 另一个视角来看，在大模型繁荣发展的背后，少不了工 具和平台的发力，如 LLMOps 平台、大模型聚合平台 以及相关的开发工具，此外还有它们所依赖的最重要的 资源——算力。 在这些工具、平台和资源的有力支撑下，大模型才得以 一步一个台阶，引领全球开发者步入一个技术新时代。 算力 大模型聚合平台

钢包吊钩姿态监测 • 钢包温度远程智能监测 • 钢包坐罐过程识别 • 钢包挂罐过程识别 • ·转炉吹氧自动控制 • 炼钢现场生产安全态势感知与预警 • 炼钢过程智能调度 • 能源动态管控 • 碳资源智能分析 • 电弧炉炼钢尾气检测与控制 • 钢包内渣状态识别 • 渣罐残留水识别 • 钢包挂钩挂实确认 • 钢包内渣状态识别 • 渣罐残留水识别 • 钢包挂钩挂实确认 • 中间包长水口区域 板材:冷床钢板优化排布 • 质量缺陷预分析及预警 • 质量评价模型优化 • 冷态钢管缺陷检测 • 厂区智慧物流 • 生产计划智能优化 • 炉次计划优化算法(智能排产) • 综合物流调度 • 碳资源交易与碳金融 • 中鑫联云商平台风险控制 场景选择示例——钢铁大模型 57政企、创业者必读 有了场景之后，只有DeepSeek还不够 大模型就像培养器中的大脑 会理解、能问答、能生成，但是没有记忆能力，不会使用工具，

前端 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

fallocate -l 100G /swapfile sudo chmod 600 /swapfile sudo mkswap /swapfile sudo swapon /swapfile 七、附录：技术⽀持与资源 华为昇腾：昇腾云服务 沐曦GPU：免费API体验 李锡涵博客：完整部署教程 结语 Deepseek R1 的本地化部署需极⾼的硬件投⼊与技术⻔槛，个⼈⽤户务必谨慎，企业⽤户应充 分评估需