(%) AI https://chat.deepseek.com Z u N e P 6 7 K w S v L C q Y 4 Y V 1 T 8 0 u m B k k m O x d k C i y K r j i 6 n p Y d O w t v B 4 G 0 G p y 第四阶段：10分钟——用AI优化与格式伪装 p统一话术： “将以下段落改写成政府报告风格，加入‘数字化转型’‘双碳战略’等关键词：{粘贴原文}” p生成图表： 指令：“将上文‘设备配置表’转换成LaTeX格式的三线表。”插入图表后，自动增加方案“厚度”。 p最终润色： “检查以下方案书逻辑漏洞，列出3个可能被客户质疑的点，并给出应对答案。” p关键提醒： ü 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”。 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 结构、内部系统以及行业情况。然而，公司的产品手册复杂，部门间的职责不清晰，内部系统操作繁琐，行业信 息量庞大，这些都让小李感到不知所措。他担心自己无法在短时间内快速上手，影响工作效率和表现。

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。 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。 爬虫数据采集  目前DeepSeek R1、Open AI o3mini、Kimi k1.5支持联网查询网址，Claude 3.5 sonnet暂不支持；  四个模型均能根据上传的网页代码，对多个网址链接进行筛选、去重，完全提取出符合指令要求的所有网址链接并形成列表；  在复杂爬虫任务上，DeepSeek o3min生成的代码均能正常执行数据采集任务，o3响应速度更快，R1数据采集结果更加完 整准确；其他2个模型都存在多次调试但代码仍然运行不成功的问题，如代码中罗列URL不全、输出文本中提取数据为空等。 Kimi k1.5 能够提取所有网址，代码运 行后生成本地文件，但提取 数据结果为空。 结论 Claude 3.5 sonnet 可以提取所有网址，调整后可输出正 确代码，运行代码能生成本地文件，

236B total parameters, of which 21B are activated for each token, and supports a context length of 128K tokens. DeepSeek-V2 adopts innovative architectures including Multi-head Latent Attention (MLA) and model checkpoints are available at h t t p s : / / g i t h u b . c o m / d e e p s e e k - a i / D e e p S e e k - V 2 . 0 20 40 60 80 100 Activated Parameters (Billions) 55 60 65 70 75 80 Performance 50 100 150 200 250 300 DeepSeek-V2 DeepSeek 67B saving 42.5% of training costs Training Costs (K GPU Hours/T Tokens) 0 100 200 300 400 DeepSeek-V2 DeepSeek 67B reducing KV cache by 93.3% KV Cache

3. 生产制造标准。研制生产过程智能化、产线监测及维护 等标准。 4. 营销服务标准。围绕营销服务效率提升，研制智能客服、 数字人、商品三维模型标准，以及用户体验等标准。 5. 运营管理标准。围绕运营管理智能化能力提升，研制相 关供应链管理、数据管理、风险管理等标准。 12 6. 重点行业智能升级标准。围绕原材料行业，开展大模型 畅联产线数据、优化在线监测调控和工艺改进等标准研制。围绕

和 70B 模型。 图 2，时间线主要根据技术论文的发布日期（例如提交至 arXiv 的日期）来 确定大型语言模型（大小超过 10B）的发展历程。如果没有相应的论文，我们 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

领域 �实战技巧：操作方法 1. 使用“评估矩阵”提示进行系统性筛选 2. 应用“优化循环”提示迭代改进想法 3. 设计“创意组合”提示融合不同概念 4. 使用“叙事架构”提示创建统一的故事线 5. 应用“综合提炼”提示形成最终观点 �实战技巧：操作方法 1. 使用“随机输入”提示引入跨领域元素 2. 应用“类比映射”提示建立领域间的联系 3. 设计“抽象化”提示提取核心原理 4 提出1个创新的或非常规的传播方式。这个方法应能显著提升活动的话题性和参与 度。 （8）KOL合作计划（700字内）： 设计一个多层次的KOL合作策略，包括顶级KOL、中腰部KOL和微观KOL的不同运 用方式。 （9）时间线（1000字内）： 绘制一个为期[具体时间]的传播时间表，包括预热、启动、高潮和持续阶段。标注 关键时间节点和相应的传播重点。 （10）效果评估（600字内）： 设定5—7个关键绩效指标（KPI） 部人员和外部 合作方。明确每个角色的主要职责和决策权限。 3. 里程碑规划（1200字内）：设定5—7个关键里程碑事件。每个里程碑都应包 含具体目标、完成标准和时间节点。使用甘特图呈现整体时间线。 4. 资源分配引导 5. 风险评估要求 4. 详细行动步骤（2000字内）： 将执行过程分解为15—20个具体步骤。每个步骤 应包含: - 行动描述

领域 �实战技巧：操作方法 1. 使用“评估矩阵”提示进行系统性筛选 2. 应用“优化循环”提示迭代改进想法 3. 设计“创意组合”提示融合不同概念 4. 使用“叙事架构”提示创建统一的故事线 5. 应用“综合提炼”提示形成最终观点 �实战技巧：操作方法 1. 使用“随机输入”提示引入跨领域元素 2. 应用“类比映射”提示建立领域间的联系 3. 设计“抽象化”提示提取核心原理 4 提出1个创新的或非常规的传播方式。这个方法应能显著提升活动的话题性和参与 度。 （8）KOL合作计划（700字内）： 设计一个多层次的KOL合作策略，包括顶级KOL、中腰部KOL和微观KOL的不同运 用方式。 （9）时间线（1000字内）： 绘制一个为期[具体时间]的传播时间表，包括预热、启动、高潮和持续阶段。标注 关键时间节点和相应的传播重点。 （10）效果评估（600字内）： 设定5—7个关键绩效指标（KPI） 部人员和外部 合作方。明确每个角色的主要职责和决策权限。 3. 里程碑规划（1200字内）：设定5—7个关键里程碑事件。每个里程碑都应包 含具体目标、完成标准和时间节点。使用甘特图呈现整体时间线。 4. 资源分配引导 5. 风险评估要求 4. 详细行动步骤（2000字内）： 将执行过程分解为15—20个具体步骤。每个步骤 应包含: - 行动描述

皮带托辊异常检测 • 分析监测烧结工序物料 成分 • 烧结皮带智能监测 • 烧结设备运行工况检测 • 料场生产计划智能配置 • 烧结矿成分预测 • 烧结矿质量预测 • 烧结烟气 S02 排放在 线预测与控制 • 构建能源消耗预测 • 智能故障诊断 • 挡板位移检测 • 皮带划痕、 撕裂、 跑偏检测预警 • 1球团皮带智能监测 • 生球粒度分布在线 识别 • 球团1颗粒粒度检测 • 球团1现场生产安全 • 热卷带头方向识别 • 钢卷带头监测与联动控制 • 钢卷托举位置对中检测 • 宽厚板双边剪自动对中 • 钢卷喷号自动识别 • 棒材自动数支数 • 自动控制转钢辊道的转向 和转速 • 连轧机组中心线检测 • 轧钢机械振动故障的诊断 • 轧次计划优化算法 • 断带预测分析 • 带钢卷取温度高精度预报 • 带钢跑偏预测分析 • 掉顶头异常识别 • 热轧管材表面质检 • 钢管识别跟踪 • 铸管外表面缺陷自动检测

推理超越 OpenAI O1，如下 图10所示，蓝线表示单次推理（pass@1）的准确率，红线表示 16 次推理取一 致性结果（cons@16）的准确率，可以看出一致性推理提高了最终性能。虚 线代表 OpenAI O1 的基准表现，图中可以看到 DeepSeek-R1-Zero 的性能 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

engineering 7 LLM output configuration 8 Output length 8 Sampling controls 9 Temperature 9 Top-K and top-P 10 Putting it all together 11 Prompting techniques 13 General prompting / zero shot 13 probabilities are then sampled to determine what the next produced token will be. Temperature, top-K, and top-P are the most common configuration settings that determine how predicted token probabilities temperature may not be essential like for example when experimenting with creative outputs. Top-K and top-P Top-K and top-P (also known as nucleus sampling)4 are two sampling settings used in LLMs to restrict