DeepSeek洞察与大模型应用 人工智能技术发展与应用实践 联通数据智能有限公司 史树明 2025年 -1- 目录 Contents 02 03 01 04 05 -2- • DeepSeek是私募量化巨头幻方量化旗下的一家大模型企业，成立于2023 年5月份。 • 幻方量化营收：作为中国头部量化对冲基金，曾管理资金规模超160亿美 元（2019年），年管理费收入超过3亿美元。 了可读性差和语言混合等挑战 • DeepSeek-R1：为了解决这些问题并进一步提高推理 性能，DeepSeek团队引入了 R1，它在RL之前结合了 多阶段训练和少量冷启动数据。R1在推理任务上实现 了与OpenAI-o1-1217相当的性能 DeepSeek-R1（对标GPT-o1）于2025年1月 20日推出，随后DeepSeek进一步出圈 DeepSeek-R1 -5- DeepSeek模型效果 V3 vs. R1：R1在普通的中文和英文任务上性能小幅领先，在数学和代码等需要深度推理的场景下明显胜出 n R1蒸馏版 vs. R1满血版：在数学、代码等场景下的性能有明显差距，蒸馏版参数量越小，与满血版差距越大 n R1蒸馏版 vs. V3满血版：140亿以上参数的R1蒸馏版的深度推理效果显著强于V3满血版；低参数量R1蒸馏版能力落后 于V3 模型 AIME 2024 MATH- 500

哲 学 社 会 科 学 规 划 项 目 （GD24XGL075）资助 *通信作者简介 黄欢（1976— ）, 男, 湖南常德人, 硕士, 助理研究员。 基于大语言模型技术的智慧应急应用： 知识管理与应急大脑 龚 晶 1 黄 欢 2，* （1. 暨南大学 公共管理学院/应急管理学院，广州 510632；2. 暨南大学 党委政治保卫部/人民武装部，广州 510632） Applications of Command and Control, 2025, 11（2）: 217-224 摘 要 大语言模型不仅是人工智能领域自然语言处理方向的重大突破，也正在改变知识获取与知识创新的模式。在研究大语 言模型的知识获取与创新的原理之上，探讨了其在应急管理信息化建设中的应用，针对智慧应急中面临的建设困境以及业务系 统智能化水平的局限，提出了基于大语言模型技术重构智慧应急的知识管理模式，在此基础上构想能够协同创新、全域感知、 关键词 大语言模型，智慧应急，知识管理，应急大脑 引用格式 龚晶，黄欢. 基于大语言模型技术的智慧应急应用：知识管理与应急大脑 [J]. 指挥与控制学报，2025，11（2）：217-224 DOI 10.20278/j.jc2.2096-0204.2024.0158 指 挥 与 控 制 学 报 JOURNAL OF COMMAND AND CONTROL 第11卷 第2期 2025年4月

2025 头豹 2 智能软件研发：算力与场景双驱动，智能软件研发进入“平台+服 务”融合新阶段 头豹词条报告系列 饶立杰、饶立杰RLJ 2025-07-11 未经平台授权，禁止转载 行业分类： 信息传输、软件和信息技术服务业/软件开发 信息传输、软件和信息技术服务业/软件开发 智能软件研发行业是指专注于开发和应用具有人工智能（AI）技术的软件系统与服务，为各行各业提供智能化解决方案，旨在提升业务效 率、优化决策过程、增强用户体验及创造新的价值和服务模式的创新性技术领域。在数字化转型的背景下，各行各业对智能软件的需求日益增 长。未来，智能软件将更加注重个性化和用户体验。通过深入了解用户需求，开发者将能够开发出更符合用户期望的产品与服务，提高用户满意 度和忠诚度。 按照应用领域可将智能软件研发分为办公软件、嵌入式软件、新兴技术软件、信息安全软件、信创软件。 办公软件是一种集成先进的人工智能（AI）技术的工具，旨在优化和简化 文档编辑、邮件 回复、日程安排等重复性工作。 嵌入式软件是指专门为运行在嵌入式系统上的应用设计的软件，它集成了人工智能算法与技术，以实现特定设备或系统的智能化操作。这 类软件通常被优化以适应有限的硬件资源，如处理器性能、内存和功耗限制，同时提供诸如自动控制、数据采集与分析、故障预测及自我 修复等功能。嵌入式智能软件广泛应用于物联网（IoT）设备、智能家居、工业自动化、汽车电子以及医疗仪器等领域，能够增强产品的功

.....................................................................................6 1.1 审计行业的现状与挑战.................................................................................................. ........................................................................................13 2. 项目背景与目标.................................................................................................. ..............27 3.1.1 数据采集与预处理模块...........................................................................................................................29 3.1.2 模型训练与优化模块........................

功能需求定义......................................................................................17 2.3 非功能需求定义..................................................................................19 2.4 需求优先级排序 开发语言选择......................................................................................24 3.2 框架与库选择......................................................................................25 3.3 数据库选型 数据索引设计......................................................................................62 6.4 数据备份与恢复策略...........................................................................63 7. 前端开发..........

用智慧发现信息价值 information 大数据 ODS 存储区 内存网 格 （ Ignit e ） 数据 分析 非结构 化分析 挖掘 大数据 融合 OLAP 分 析 HDFS/Hb ase 数据 资源 非结构化数据 结构化数据 文本 数据 采集 批量 采集 批量 采集 实时 采集 数据仓库 关系型数 据库 信息库 数据存储 自由定义分析专题，生成专业的可分析报 告 分析模块自定义：与题分析癿各个展示模块都可 由用户从提供癿指标模板库中自由组合定义，从 而生成相应癿与题分析栏目。 内置多种分析模板：平台丌断扩充分析模板及分 析指标，提供给用户更多癿分析选择。 订阅推送：对搜索癿分析结果进行订阅推送，通 过邮件癿形式把分析结果发送给用户。 与题分析 用智慧发现信息价值 Discover information 担保关系识别 用智慧发现信息价值 Discover information 股权结构 投资关系 担保关系 4 、关联关系图谱：通过互联网采集平台，整合行内外客户关联与交易信息，通过 OEC 平台进行深度挖掘与加工，识别 4 类 客 户关联关系，如：投资关系、担保关系、管理关系、股权关系四维度图谱。 案例：某国有银行企业风险预警 企业关联关系图谱 管理结构 用智慧发现信息价值

2.1 深度学习与机器学习...........................................................................14 2.2 自然语言处理（NLP）.......................................................................16 2.3 图像识别与处理....... ...........................................................................18 2.4 数据挖掘与分析..................................................................................20 3. 金融银行应用场景............. .....................................................................................32 3.2.1 客户细分与画像.........................................................................33 3.2.2 个性化推荐系统........

..21 2.1.3 数据采集工具及方法..................................................................23 2.2 数据清洗与预处理..............................................................................25 2.2.1 数据去重..... 3.3 标注质量控制.............................................................................40 2.4 数据存储与管理..................................................................................42 2.4.1 数据库选择. 2.4.3 数据安全与权限管理..................................................................48 3. AI 大模型训练设计方案..............................................................................51 3.1 模型选择与架构设计......

公司，如阳光、人保、平安、国寿、泰康、瑞再、安盛、安联等，纷纷投身于大模型技术的研发 与应用，积极探索其在保险业务中的无限可能。阳光保险集团作为行业的先行者和探索 者，于2023年初率先启动了“阳光正言GPT大模型战略工程”，旨在通过大模型技术的深度 应用，推动保险业务模式的重塑与升级。 经过一年的实践与沉淀，可以看到，2024年是大模型技术在各行各业的应用落地之 年。这一年，我们见证了大 年。这一年，我们见证了大模型技术从理论探索走向实际应用，从概念验证进入规模化部 署的关键阶段。因此，本年度《大模型技术深度赋能保险行业白皮书》的编写，不仅是对过 去一年技术发展的总结与回顾，更是对未来应用前景的展望与规划，旨在为保险行业的智 能化转型提供技术参考和实践建议。 白皮书基于阳光保险的大模型落地实践经验，深入剖析了大模型技术在保险行业的落 地应用路线。我们详细阐述了数据准备、模型精调、工程化适配、模型评测等关键环节的技 承保核保等多个方面，它们充分证明了大模型技术在提升服务效率、优化客户体验、降低运 营成本、增强风险管理能力等方面的巨大潜力，为保险行业的智能化转型提供了有力的实 践支撑。 更重要的是，我们深刻认识到大模型技术与保险行业的深度融合，不仅将推动保险业 务模式的深刻变革，还将重塑保险行业的竞争格局和生态体系。通过精准预知风险、主动管 理风险，大模型技术将助力保险公司实现从“粗放预测”向“精准预知”、从“等量管理”向“减

项目编号： AI 大模型人工智能数据训练考评系统 建 设 方 案 目 录 1. 项目背景与目标............................................................................................6 1.1 项目背景....................................... ........................................................................................8 1.3 项目范围与约束..................................................................................10 2. 系统需求分析... 3 考评需求.....................................................................................19 2.2 非功能性需求......................................................................................22 2.2.1