2、智算需求持续高涨，核心驱动力由“训练”转向“推理” 推理模型快速普及并从纯文本走向多模态。OpenAI 于 2024 年 9 月发布的 o1-preview 模型拉开推理模型帷幕。推理模型基于 基础模型开发，其通过在推理过程中引入长思维链，实现了与普 通模型截然不同的问题解决方法，即在输出答案前先进行“思考”， 因此更为擅长处理谜题、高级数学和高难度编程等需要多步骤逻 辑推导的任务。推理模型的“思考过程”可以向用户展示，如 年以来，全球科技企业 陆续推出推理模型，如深度求索的 DeepSeek-R1、xAI 的 Grok-3 （ Think 模 式 /Big Brain 模 式 ） 和 Grok-3 mini Reasoning、 Anthropic 的 Claude 3.7 Sonnet，阿里云通义团队的 QwQ-32B、 字节跳动豆包团队的 Seed-Thinking-v1.5 等。同时，推理模型正 在从 LLM 走向多模态，如 走向多模态，如 OpenAI 的 o3 和 o4-mini、阿里云通义 团队的 QVQ-Max 等均是视觉推理模型。OpenAI o3 和 o4-mini 可 以使用图像进行思维链推理，如解读白板照片、教科书图表或手 绘草图等，并可借助工具对图像进行旋转、缩放或变换等操作， 智算产业发展研究报告（2025） 9 以及与 Python 数据分析、网络搜索、图像生成等工具协同工作。 后训

的开源特性是其一大亮点。用户可自行下载和部署 ，广大开发者共同优化。 4. 免费使用 DeepSeek 提供的服务是完全免费的 ，用户可以随时随地使用。 5. 支持联网搜索 DeepSeek 是首个支持联网搜索的推理模型 ，这使得它在信息获取方面独具优势。 6. 教育与培训资源丰富 开源模型为教育和培训提供了丰富的资源 ，有助于推动 AI 技术的普及和人才培养。 看看 deepseek 的方 位 DeepSeek DeepSeek 的 4 种方法 ① 通过青岛教育 e 平台 APP 访问： https://www.pgyer.com/cZfT 二、 APP 端使用 DeepSeek 的 2 种模型 推理模型（ R1 ） 联网搜索模式（ REG ） 通用模型 （ V3 ） 在传统的大语言模型基础 上 ， 强化推理 、 逻辑分析 。 输出格式 为 Markdown 分部分 ，每部分不超过 300 字。 DeepSeek 高效 巧 推理模型 提示语只需明确 和需求 ，无需逐步指 导 DeepSeek R1 （推理 提示语过于详细，反倒限制其发挥

层级 OpenAI 定义推理模型 在 OpenAI 的官网上 ， OpenAI 定义推理 模 型是在回答之前进行思考 ， 并在回复用 户 之前 ，在内部生成一长串的思维链过 程。 思维链是一种提示大语言模型进行逐步推 理的方法。它让模型在得出最终答案之前， 先显式地写出推理的中间步骤。这就像 人 类解决复杂问题时会先把思考过程写 下来 一样 推理模型的核心 也就是说 ，如果模型在回复你之前有一 ，如果模型在回复你之前有一 长 串的思考过程（这个过程必须可以显示输 出） ，探索了很多不同的路径之后给出 答 案 ，那么有这个能力的大模型就是推 理大 模型。推理模型的核心在于处理那 些需要 多步骤逻辑推导才能解决的复杂 问题 推理大模型 推理大模型的概念大规模传播应该开始于 2024 年 9 月份 2024 年 9 月 12 日 ， OpenAI 官方宣 布了 OpenAI 时间 ” 的关系 ， 再分步计算） 将“推理”定义为通过生成中间步骤来回答复杂问题的过程 2 个简单的例子： 通用的大语言模型（ LLM ） 可能直接输出简短答案（如” 180 英里”） 推理模型的特点在于显式展示中间推导过程 1.4 大模型的分 类 Sebastian Raschka 博士（ Lightning AI 的首席教育学家） ： 特性 推理大模型 通用大模型 适用场景

气厂 边缘应用 推理模型 通用算力 + 推理算力 近端推理 作业区 推理模型 推理算力 管理 中心 近端推理 昆仑 CV 大模型 动火作业 | 吊装作业 | 高处作业 | 进入受限空间作业 | 通用违章 | … 大模型 AI 中台 业务应用 区域数据治理 API 服务网关 推理管理平台 区域推理模型库（大模型 + 自建小模型） 推理模型 通算算力 推理算力

DualPipe 并行训练框架 HAI 强化学习 GRPO 直接硬件编程 PTX 测试时计算 TTC 能力突破 开源、低成本、国产自主 n 基础能力：进入推理模型阶段，并跻身全球第一梯队 1. 推理能力跃升： DeepSeek大模型核心技术突破，实现复杂推理任务的精准处 理与高效执行，覆盖多模态场景应用。 2. 国际竞争力对标：模型综合性能跃居全球第一梯队，技术指标与国际顶尖水平 2024.06 2025.03 生成模型 推理模型 ref: SuperCLUE团队 中文大模型基准测评2025年3月报告 5，前者推 动成本效益推理，后者展现出较高的情 感智能。 • Gemini 2.0 Flash Thinking、Claude- 3.7-Sonnet、Grok3发布，海外推理模型 引发热潮，推理性能大幅度提升。 • 国内推理模型持续跟进。DeepSeek-R1、 QwQ-32B、Kimi1.5、GLM-Zero、 Skywork o1、讯飞星火X1等推理 模型陆 续发布，继续突破推理能力的上限。

步采样的计算逻辑，倾向于 在每一步选择具有较大后验概率的词语。但是，每一步的局部最优并不一定是全局最优。因此，基于最大概率 的下一词元预测并不能得到具有逻辑思维能力的模型。 这种局限性推动了推理模型（Reasoning Model）的产生。要让 AI 胜任复杂任务，仅仅依赖语言预测是 不够的。我们需要一种方法，让 AI 能够像人类一样，逐步推导、反复验证，最终找到正确的答案。早期的研 究 分布，输出较长的“思维链”（Chain-of-thought）并最终得到较为准确的回答 (Wei et al., 2022)。但是，这种 提示的结果缺乏稳定性。我们需要保证模型在不同的任务中，都能够遵循正确的思维方式。 推理模型通过引入强化学习这一训练方式来提高准确性。通俗来说，强化学习就是让模型在“试错”中学 习：生成多种可能的推理路径，然后根据结果的正确性给予奖励，最终优化出最优策略。这种方法类似于人类 在学习新 (2024). 3 祛魅 AI：大模型的基本原理 23 由于可能的路径随着推理步骤的增加而指数级上升，推理模型在搜索多个思维链时普遍需要耗费较长的 时间。因此，模型开发商通常会利用包含了正确思维步骤的思维链，再次用来微调大语言模型。最终应用时， 大模型通常只生成单一的思维链。 推理模型的训练过程可以用经济学理论进行类比。行为经济学将人的决策过程分为两类：基于计算和逻 辑演绎的“慢思考”（Slow

和 络 能 量 对 宇 由 字 理 论 的 摘 战 小 * SU7 四、国内外主要的大模型 4.2 国内的大模型产品 DeepSeek-R1 ( 深度求索 ) · 优点：开源推理模型，性能媲美顶级模型但成本仅为三十分之一，支持高效 分布式计算。 · 擅长内容：低成本推理、学术研究、中小企业应用。 · 缺点：需进一步优化以覆盖更复杂任务，生态建设尚在初期 豆包 ( 字节跳动 的 " 四大 天王 ", 管理资金规模均超过 600 亿元。这为 DeepSeek 提供了清晰的市场定位和投资 者背景 里程碑 2025 年 1 月 20 日推出 DeepSeek-R 1 推理模型 六、 DeepSeek 简介 6.4 DeepSeek 公司 CDC 疾控 人 概贵操队 牙 恒 桑 垃 $ v 3 % 拽 熄 桑 垃 $ R 1 % 设计初衷 想要在各种自然语言处理的任务中都 案， 满足好多领域的需求 适合学术研究、解决问题的应用和决策 支持系统等需要深度推理的任务，也能 拿来当教育工具，帮学生锻炼逻辑思维 六、 DeepSeek 简 介 6.5 生成模型与推理模型 CDC 疾控 人 桑垃同着 DeepSeek-R1-671B 满血版，能力最强 DeepSeek-R1-Distill-Qwen-7B 蒸馏版，能力稍弱 -- 实际上是增加了推理能力的

可自我进化、物理世界可感知的智能验证生命体。 （4） 因果推理模型与知识图谱构建解决测试分析“最后一公里” 问题 传统测试分析依赖人工回溯缺陷根因，导致经验碎片化、优化滞 后、知识流失等瓶颈。通过自然语言处理（NLP）解析测试报告中的 非结构化描述，通过构建缺陷驱动的知识自进化引擎，融合代码变更 图谱、环境拓扑快照与用户行为时序数据，基于因果推理模型自动定 位根因模块。同步将缺陷根因、修复方案及验证路径转化为结构化节

大语言模型的发展历程 Deepseek 横空出世 2023 年 7 月 DeepSeek 成立 2024 年 5 月 宣布开源第二代 MoE 大 模型 DeepSeekV2 2024 年 11 月 推理模型 DeepSeekR1Lite 预览 版正式上线 2024 年 1 月 发布首个大模型 DeepSeekLLM 2024 年 9 月 合并 Deep-SeekCoderV2 和 DeepSeekV2Chat

要求也越来越高。一是车端推理模型需要具备 多传感器、多模态的感知数据的并行处理能力。二是在车端推理模型与云端训练模型的协同上，需使用专用智能驾 驶云端模型提升运行效率，如以开源通用语言大模型为基模型进行二次训练与蒸馏出的智能驾驶模型，解决模型臃 肿导致的效率低、时延大的问题。三是可采用 MoE（Mixture of Experts）多专家架构，进一步提升车端推理模型 的运行效率，降低对车端 的运行效率，降低对车端算力及成本的要求。四是车端推理模型要有预见未来的能力，除了输出当前的行车轨迹用 于控制车辆外，还需对复杂场景的理解预测未来几秒钟的行车意图，以提升驾驶员的心理安全感。 未 来， 算 法 将 逐 步 向 AI 大 模 型 的 方 向 发 展， 借 鉴 ChatGPT、DeepSeek、Qwen 等自然语言处理模型的 泛化能力，处理更为复杂的现实交通场景与人机交互逻 辑，赋予车辆更智能的场景理解与规划决策能力，提升 不确定性。该不确定性主要来源于两个维度，一是模型 本身的不确定性；二是数据层面的认知不确定性。针对 模型不确定性可通过概率分布形式进行量化，常用的方 法如高斯分布及其变型；针对认知不确定性可引入预测 熵作为度量，构建以贝叶斯推理模型为基础的认知评估 模型，从而有效量化和管理模型不确定性和认知不确定 性，提升自动驾驶系统的可靠性。 运行设计域（ODD）的动态监测同样是 SOTIF 的关键 支撑。从道路规范（覆盖城市、高速等场景的几何特征