Get-Go = Growth We Have Not Seen Likes of Before • AI & Work Evolution = Real + Rapid 3 1 2 3 4 5 6 7 8 9-51 52-128 129-152 153-247 248-298 299-307 308-322 # 323-336 OutlineWeekly Active select countries, including China and Russia, as of 5/25. Source: United Nations / International Telecommunications Union (3/25), Sensor Tower (5/25) 0 Years In Share of Total Current Users, % Details Momentum + China’s Rise 5 Leading USA LLMs vs. China LLM Desktop User Share Note: Data is non-deduped. Share is relative, measured across six leading global LLMs. Source: YipitData (5/25) Desktop User Share

-./012334%&'(56789:;<=>?@A BC%&'() • DEFGHI)*DEFGJKHI567LMN0OITPQRSTUVW5VWXYZ=>O[ \]^_`) • abcde&fghi=>.gjklmno5pqLr?E=PstOuv5w%xyabz {|L}=>~}m•O2€.jk• • ‚ƒc„…†Agent…‡ˆAGIO‰Š‹Œ•1 Manus AI!"#$%&'Agent3 /012345-6708,9):;<=>Manus ?@A+'BCDEFGHIJK,LMN OPQMR<"S>TUVWXY3 less structure more intelligence GZ[5\]^_`abcde_`fgchi_`jEc'k_` lm,no computer usecdeep researchccoding agent pqrstuvwxyz{|}~•G)€>•JK‚ƒ Manus LJKŒkF,•mP$ŒŽ4••‘JK’3“”,\M•–P,Manus —˜•™&š›Gœ=> !"#$%Bloomberg*&'()4 Manus AI%*+,- !"#$%Bloomberg*&'()5 Manus AI%./01 • GAIA !"#%‡•ž$% AI Ÿ G¡¢ž£,¤¥-UL6¦§¨©ª«Level 1cLevel 2cLevel 3¬G-•>Manus AI L®‰¯# §¨©ª°±²³{´µG

4 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 5 Conclusion, Limitation, and Future Work 21 A Contributions and Acknowledgments 27 B DeepSeek-V2-Lite: we demon- strate our efforts in alignment, encompassing Supervised Fine-Tuning (SFT), Reinforcement 5 Learning (RL), the evaluation results, and other discussion (Section 4). Finally, we summarize the conclusion, deliberate on the current limitations of DeepSeek-V2, and outline our future work (Section 5). 2. Architecture By and large, DeepSeek-V2 is still in the Transformer architecture (Vaswani et al

简单确认，缺乏深度推演 5. 执行需求 需完成具体操作（代码/ 计算/流程） 任务 + 步骤约束 + 输出格 式 自主优化步骤，兼顾效率 与正确性 严格按指令执行，无自主优化 提示语示例 决策需求 验证性需求 "为降低物流成本，现有两种方案： 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 2. 问答型提示语：向AI提出问题，期望得到相应的 答案。 3. 角色扮演型提示语：要求AI扮演特定角色，模拟 特定场景。 4. 创意型提示语：引导AI进行创意写作或内容生成。 5. 分析型提示语：要求AI对给定信息进行分析和推 理。 6. 多模态提示语：结合文本、图像等多种形式的 输入。 表1-1-1提示语的本质特征 特征 描述 示例 沟通桥梁 连接人类意图和AI理解 将这个复杂的主题分解为几个主要部分，逐一讨论每个部分。 2. 对每个子任务设定具体目标和预期成果。 3. 在每个子任务完成后，总结其关键点并与整体主题关联。 4. 通过层次结构图或思维导图展示分解后的各部分及其关系。 5. 结合各部分的结果，撰写一段总结性内容，确保整体连贯。 �实战技巧： • 任务分解 • 结果整合 • 问题定义 • 信息收集 • 分析综合 • 结论形成 1. 明确这个问题的核心要点，然后系统地收集相关信息进行分

简单确认，缺乏深度推演 5. 执行需求 需完成具体操作（代码/ 计算/流程） 任务 + 步骤约束 + 输出格 式 自主优化步骤，兼顾效率 与正确性 严格按指令执行，无自主优化 提示语示例 决策需求 验证性需求 "为降低物流成本，现有两种方案： 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 2. 问答型提示语：向AI提出问题，期望得到相应的 答案。 3. 角色扮演型提示语：要求AI扮演特定角色，模拟 特定场景。 4. 创意型提示语：引导AI进行创意写作或内容生成。 5. 分析型提示语：要求AI对给定信息进行分析和推 理。 6. 多模态提示语：结合文本、图像等多种形式的 输入。 表1-1-1提示语的本质特征 特征 描述 示例 沟通桥梁 连接人类意图和AI理解 将这个复杂的主题分解为几个主要部分，逐一讨论每个部分。 2. 对每个子任务设定具体目标和预期成果。 3. 在每个子任务完成后，总结其关键点并与整体主题关联。 4. 通过层次结构图或思维导图展示分解后的各部分及其关系。 5. 结合各部分的结果，撰写一段总结性内容，确保整体连贯。 �实战技巧： • 任务分解 • 结果整合 • 问题定义 • 信息收集 • 分析综合 • 结论形成 1. 明确这个问题的核心要点，然后系统地收集相关信息进行分

some examples of the most important prompting techniques. General prompting / zero shot A zero-shot5 prompt is the simplest type of prompt. It only provides a description of a task and some text for the Classify movie reviews as positive, neutral or negative. Model gemini-pro Temperature 0.1 Token Limit 5 Top-K N/A Top-P 1 Prompt Classify movie reviews as POSITIVE, NEUTRAL or NEGATIVE. Review: "Her" is Classify movie reviews as positive, neutral or negative. Model gemini-pro Temperature 1 Token Limit 5 Top-K 40 Top-P 0.8 Prompt Classify movie reviews as positive, neutral or negative. Only return the

(%input_data: Tensor[(2, 5), float32]) { qnn.quantize(%input_data, out_dtype="uint8", output_zero_point=127, output_scale=0.5f) } def @main(%input_data: Tensor[(2, 5), float32]) -> Tensor[(2, 5), uint8] { %0 = ty=Tensor[(2, 5), float32] */; %1 = round(%0) /* ty=Tensor[(2, 5), float32] */; %2 = cast(%1, dtype="int32") /* ty=Tensor[(2, 5), int32] */; %3 = add(%2, 127 /* ty=int32 */) /* ty=Tensor[(2, 5), int32] */; */; %4 = clip(%3, a_min=0f, a_max=255f) /* ty=Tensor[(2, 5), int32] */; cast(%4, dtype="uint8") /* ty=Tensor[(2, 5), uint8] */ }© 2019, Amazon Web Services, Inc. or its Affiliates. All rights reserved.

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； 2、撰写python脚本； 3、提取并合并网址； 4、提取网址内容； 5、写入文件。 任务 你需要完成以下两个任务： 1.阅读网页【网址】源代码【对应网页源代码】。提取所 有包含“春运2025丨X月X日，全社会跨区域人员流动量完 成X万人次”的网址进行去重、筛选，合并成网址列表 数据分析中，o3mini可以实时将数据以可视 化的方式展示，并支持用户与数据进行交互。 二 要怎么做？ 撰写文章标题指令 指令：我想让您担任学术期刊编辑，我将向您提供一份手稿摘要，您将向我提供 5 个好的研究论文英文标题，并解释为什 么这个标题是好的。请将输出结果以 Markdown 表格的形式提供，表格有两列，标题为中文。第一列给出英文标题，第二 列给出中文解释。以下文本为摘要： 【指令后加上文章的摘要】。 做一个视觉图表 What’s the main takeaway from this dataset? 找出最主要的信息 Can you explain this dataset like I’m 5 years old? 像给五岁小朋友讲故事那样解释一 下这个数据集 Can you create a presentation based this dataset? 做一个整体展示 Can you

互联网是连接平台，人工智能是生产力  互联网是赋能性技术，生产力属性较弱  人工智能既能单兵作战，也能外部赋能 互联网创造了能写140个字的推特和分享照片的Instagram AI能帮助人解决登陆火星、能源自由的问题 5政企、创业者必读 大模型是真智能，是人工智能的重大拐点。你相不相信？ 大模型是一场工业革命，将重塑所有产品和业务。你相不相信？ 不拥抱AI的组织和个人，会被拥抱AI的组织和个人淘汰。你相不相信？ 路 11政企、创业者必读 把大模型拉下神坛！ 走入千家万户、百行千业，才能掀起新工业革命 • 当年IBM做出超级电脑，并没有带来工业 革命，因为只有少数人用 • IBM甚至声称，全世界只用5台电脑就够了 • 真正带来信息革命的是个人电脑走入千家 万户、百行千业 当年的电脑 当今的大模型 • 如果需要十万或百万张卡起玩，就无法 产生工业革命 • 只有把大模型拉下神坛，让大模型走进 千家万户、百行千业，才能掀起新一轮 DeepSeek出现之前的十大预判 之五 知识的质量和密度决定大模型能力  高质量数据、合成数据使模型知识密度的快速增长  大模型能以更少的参数量达到更高的性能  360联合北大研发：5%参数量逼近Deepseek-R1满血性能 18政企、创业者必读 DeepSeek出现之前的十大预判 之六 成本越来越低  过去一年，大模型成本「自由落体」  国外：GPT-4等效智能在过去18个月内价格下降240倍

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.3 大模型 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.4 基础概念 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 4.5.1 权限问题 . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 5 零代码本地搭建个人知识库 27 5.1 本地知识库优势 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 5.2 docker 下载 将模型的日期设定为其公开发布或宣布的最早时间。我们用黄色标记那些公开 可用的模型检查点。由于空间限制，我们只包括那些公开报道评估结果的大型 语言模型。 Figure 2: 各个大型语言模型发布时间线 5 1.4 基础概念 1.4.1 上下文窗口 上下文窗口指的是模型一次可以处理的最大文本长度。这个长度通常用“to- kens”（标记）来表示，每个标记可以是一个单词、子词或单个字符，具体取决 于编码方式。