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 GPQA Diamond R1的15亿蒸馏版 (基于千问) 28.9 83.9 33.8 16.9 954 R1的70亿蒸馏版 (基于千问) 55.5 92.8 49.1 37.6 1189 R1的140亿蒸馏版 (基于千问) 69.7 93.9 59.1 53.1 1481 R1的320亿蒸馏版 (基于千问) 72.6 94.3 62.1 57.2 1691 R1的80亿蒸馏版 (基于Llama) R1的700亿的蒸馏版 (基于Llama) 70.0 94.5 65.2 57.5 1633 DeepSeek-R1 79.8 97.3 71.5 65.9 2029 DeepSeek-V3 39.2 90.2 59.1 36.2 1134 模型 架构 参数量 激活参数 R1的15亿蒸馏版 稠密 1.5B 1.5B R1的70亿蒸馏版 稠密 7B 7B R1的140亿蒸馏版 稠密 14B

vllm ， megatron 等 通用训练框架 u triton, vllm, sg lang, sd, pmml 等 通 用 推 理框架 分布式文件存储 u 公 有 云 分布 式 文 件 存 储 CFS/Turbofs/Goosefsx u 私有化 NFS 协议存储 NAS/CSP 云服务器 u 公有云 HCC 高性能服务器，一键纳管 u 私有化服务器，支持 X86+ARM (64~128K) 超大模型启动加速 独享 GPU 算力集群 私有 API 服务调用 高并发、高可用 企业级鉴权流控 算力投入持续降低 DeepSeek 全系 列 R1 、 V3 满血版 R1-Distill-Llama-70B R1-Distill-Qwen-32B R1-Distill-Qwen-14B R1-Distill-Llama-8B R1-Distill-Qwen-7B 卡 H20 • 全参 SFT • 8 小时 蒸馏后模型多模式精调 • 全参 +LoRA 双模 式 • 低至 1 卡 A10 DeepSeek 全系 列 R1 、 V3 满血版 R1-Distill-Llama-70B R1-Distill-Qwen-32B R1-Distill-Qwen-14B R1-Distill-Llama-8B R1-Distill-Qwen-7B

系 ! Al 智 力 工业 4.0 人、机、物 互联互通 服务的互联网 门车 的 皙箱中网 智 芎 T 厂 ◎ 物品的互联网 今天 Eh 文 人的智力 工业 3.0 应用电子信息技术， 进一步提高自动化 水平 电力 工业 2.0 将人类带入分工明 确、大批量生产的 流水线模式和“电 热力 工业 1.0 创造了机器工 的应用与能力评估。 博士生 硕士生 浙 大 EnergyX 团队相关作者 49/80 鲁洁 章文恺 冯晨昕 张健 郑泽宇 章超波 荷兰埃因霍温理工大学 王嘉茜 贺佳宁 蒋睿勤 博士后 报 告 提 纲 大语言模型应用的科研案例 … 控软件和仿真软件开发难度、周期和代价非常高 配 置栏 系统流程图 菜单栏 工具栏 开发工具栏子栏 EnergyX 1.0 版 本 EnergyX 2.0 版 本 开发工具栏 浙大经验：在专用软件方面，依然需要死磕的精神 67/80 口赵阳博士有十年国内

用智慧发现信息价值 Discover information 案例：某基金公司投研大数据平台 智能客服 用智慧发现信息价值 Discover information • 产品定位 • XF4.0 版，多场景智能交互机器人，实现人机、机机智能交互，支持客服、 营销、推荐、类 Siri 服务等 • 突破现有机器人只解决客服问答癿狭义定位 小富机器人 用智慧发现信息价值 Discover 知识类型 + 交互斱式 用智慧发现信息价值 Discover information 知识自劢化加工 自劢加工出 42 条知识 文档中癿图片也自劢拆分为独立知识条目 海尔洗衣机介绍 word 文 档 用智慧发现信息价值 Discover information 知识自劢化加工 海尔洗衣机维修收费标准 word 文档 自劢加工成 27 个知识条目，自劢提取业务标 签 指导价格、产品、类别、维修斱式、维修部件 题，导致大量咨询用 户转至“小麦客服” 人 工服务。 • 希望通过微信公众号 智能问答系统，减轻 人工客服工作压力。 • 格式丌一癿内部业务 文档，服务话术 • 大量非结构化业务文 本癿自劢化知识加工 • 灵活多变癿用户问题 句式需要语义分析才 能真正理解 案例 - 某大型保险集团公司微信人机互劢系 统 上线后敁果 • 提供了结合内外网数据癿与业 知识图谱 •

，并支持实时推 理。为了确保系统的稳定性，推理引擎应采用容错机制，能够处理 异常情况并自动恢复。用户接口模块则负责与用户进行交互，提供 友好的界面和简化的操作流程。该模块应支持多种输入方式，如文 本、语音和图像，并能根据用户需求动态调整输出内容。 为确保系统的安全性和可维护性，系统架构还应包括日志管理 模块和监控模块。日志管理模块负责记录系统的运行状态和各项操 作，便于故障排查和性能优化。监控模块则实时监控系统的运行状 解密。此外，数据传输过程中也采用 TLS 协议进行加密，防止数据 在传输过程中被截获或篡改。 为了进一步提升系统的安全性，我们实施了严格的安全审计和 日志记录机制。所有用户操作和系统事件都会被记录，并且日志文 件定期备份和审查，以便及时发现和响应潜在的安全威胁。此外， 我们还定期进行安全漏洞扫描和渗透测试，确保系统能够抵御最新 的攻击手段。 在用户身份验证方面，我们采用多因素认证（MFA）机制，结 id | JSON | {"data": "example"} | 3. 配置指南 提供系统部署所需的配置文件说明，包括环境变量、数据库连 接、日志级别等。列出常见配置项及其默认值，并附上配置文 件示例。 4. 操作流程 分步骤描述系统的启动、运行、停止等操作流程，确保用户能 够快速上手。对于复杂流程，可结合流程图或时序图进行说 明。 5. 错误处理 列举系统运行中可能遇到的错误类型，提供错误代码、原因分

考评任务，学员可参与考评并查看结果。 o 提供用户注册、登录、身份验证功能，支持第三方平台 （如微信、企业微信）的快速登录。 2. 数据管理与上传 o 系统需支持多种格式的数据上传功能，包括但不限于文 本、图像、视频、音频等，支持批量上传和数据预处理 功能，确保数据能够快速进入训练流程。 o 提供数据分类和标签功能，允许用户对上传的数据进行 分类管理和标记，便于后续的模型训练和评估。 3 能。考虑到人工 智能训练数据的规模通常较大，系统应采用分布式存储架构，支持 海量数据的存储与快速检索。数据存储结构应设计为分层管理，包 括原始数据、预处理数据和训练数据集，确保数据的可追溯性和版 本控制。 在数据预处理方面，系统应集成常用的数据清洗、去重、归一 化、特征提取等功能，支持用户自定义数据处理流程。数据清洗模 块应能够自动识别并处理缺失值、异常值等问题，确保数据质量。 同 以采用主动学习（Active Learning）策略，优先标注对模型提升贡 献最大的样本。 为优化数据预处理流程，可以通过以下步骤进行模块化设计：  数据输入接口：支持多种数据格式（如 CSV、JSON、图像文 件等），并具备数据批量导入功能。  清洗与转换组件：内置常见的数据清洗和转换算法，支持自定 义规则配置。  特征工程工具：提供特征选择、特征提取和特征构建的自动化 工具，支持可视化分析。

政策时效性方面的可靠性，例如能够准确识别 2022 年财政部新修 订的收入确认准则（财会〔2022〕25 号）的具体变化条款。 在审计工作流中的技术适配性主要体现在三个维度：首先，非 结构化数据处理能力可解析 PDF 版银行对账单、扫描件合同等传 统 OCR 难以处理的文件，实测显示对模糊文档的字段提取准确率 达到 92%，较传统技术提升 40%；其次，风险预测模块通过分析 历史审计案例库，可自动生成高风险科目预警清单，在试点项目中 入层、智能处理层、应用服务层三层组成，通过 API 网关实现各模 块间的低耦合交互。数据接入层支持多模态输入处理，包括结构化 财务数据（如 SAP、Oracle ERP 系统导出的凭证数据）、非结构 化文档（扫描版合同/发票）以及语音记录（审计访谈录音），通 过自适应解析引擎将异构数据统一转化为 JSON 格式的中间表示， 字段映射准确率达 98.6%。 审计知识库构建采用双通道更新机制，包含以下关键组件： 同、银行对账单等凭证中的关键字段（如金额、日期、交易方）， 并基于预设规则或机器学习模型完成分类，显著减少人工录入错误 并提升效率。 凭证识别的技术实现分为以下步骤： 1. 多格式支持：通过文 件解析引擎处理 PDF、扫描件、Excel 等格式，确保兼容性。 2. 关 键字段提取：采用预训练的 OCR 模型识别文本，例如发票代码、 纳税人识别号等结构化数据，并通过 NLP 算法处理非结构化文本

商业竞争力和知识产权的保护。这种闭源与开源的动态平衡，带来了技术创新的快速迭代， 促进了知识的共享和行业的合作。 闭源模型：一些大型科技公司继续开发和维护他们的闭源模型，如OpenAI的GPT-4和 百度的文心一言等。这些模型在特定任务上表现出色，但由于其不公开的特性，限制了更 广泛的研究和应用。闭源模型通常具有更好的性能和更少的公开数据泄露风险，但这也限 制了学术界和中小企业的参与。例如，OpenA 型在教育领域的应用主要包括个性化教学、智能辅导、内容生成等方面。通过大模型技术， 教育企业可以大幅提升教学效率、降低教学成本，并为学生提供更加个性化和精准的学习 体验。例如，网易有道推出的子曰教育大模型2.0版本和虚拟人口语教练Hi Echo 2.0版本 等产品，就充分展示了大模型在教育领域的应用潜力。 （4）制造业与服务业 在制造业和服务业领域，大模型的应用也日益广泛。在制造业中，大模型通过实现生 �� 产过程的智 持通用及垂直领域人工智能大模型的训练与发展，为人工智能产业的创新发展注入了新 的动力。 值得一提的是，2024年6月5日，工业和信息化部等四部门再次联合印发了《国家人工 智能产业综合标准化体系建设指南（2024版）》，该指南进一步细化了未来两年的工作目标 与任务，不仅重申了提升标准与产业科技创新联动水平、制定新标准、推动标准实施等目 标，还提出了加强国际标准制定的国际合作，旨在促进人工智能产业的全球化发展。预计

显著提升。SaaS 平台需要加强在数据加密、访问控制和合规 审计等方面的能力，以确保客户数据的安全。 5. 移动优先策略：移动设备的普及使得用户对随时随地访问软件 的需求大幅提升。SaaS 平台需要优化移动版的用户体验，确 保用户能够方便地通过各种设备访问和操作平台。 6. 订阅模型的灵活性：传统的一次性购买软件模型正在被更加灵 活的订阅模式所取代，用户可以根据自身需求选择不同的订阅 计划。这种模 的设计至关重要。根据行业需求和市场调研，平台可以分为以下几 个核心功能模块，以满足用户不同的使用场景与需求。 首先是模型管理模块。该模块提供用户上传、管理和发布大模 型的能力。用户可以方便地将自己训练的模型上传至平台并进行版 本控制。此模块应支持多种模型格式，并提供图形化界面，便于用 户进行模型信息的查看和编辑。 其次是数据处理模块。为了优化大模型的训练效果，用户需对 数据进行预处理。此模块提供数据清洗、特征提取和数据增强等功 Redis）来实现高效数据访问。 数据管理方面，本系统将实施一系列策略，以确保数据的完整 性、安全性和易用性。具体措施包括：  数据版本控制：使用 Git LFS 或 Apache Iceberg 进行数据版 本管理，确保每次修改记录和可追溯性。  数据归档与清理：定期对冷存储层进行数据归档，并删除冗余 或无效的数据，以优化存储效率。  权限管理与加密：采用 RBAC（基于角色的访问控制）策略，

吸引 用户注意力。 为了提高可访问性，界面设计还需考虑到不同用户群体的需 求。例如，对于视力较弱的用户，界面应提供调整字体大小和对比 度的选项；对于操作不熟练的用户，应提供清晰的引导和帮助文 档。此外，界面设计还应兼容不同的设备和屏幕尺寸，确保在移动 端和桌面端都能提供一致的体验。 最后，界面设计应具备可拓展性，能够随着业务需求的变化而 灵活调整。通过模块化设计，界面可以根据需要添加或移除功能模 最后，为了支持未来的业务扩展，需要在 API 设计上遵循标准 化和统一性原则。采用 RESTful API 或 GraphQL 接 设计，确保不 ❑ 同模块之间的通信简洁高效。同时，通过版本控制机制（如 API 版 本号）保证在功能升级时不会影响已有的业务运行。以下是可扩展 性设计的关键技术点的总结：  模块化架构设计，支持独立扩展  分布式部署策略，提升系统容错性  可伸缩数据库架构（NoSQL 智能体应与现有的硬件、软件环境以及第三方系统保持兼容，避免 因更新导致系统中断或数据丢失。为此，建议在测试环境中进行全 面的兼容性测试，确保更新后的系统能够平稳过渡到生产环境。 为了进一步提升版本管理的效率，可以采用自动化工具进行版 本部署和回滚。通过自动化脚本或平台，减少人为操作带来的错误 风险，并在更新失败时能够快速回滚到上一个稳定版本，降低系统 停机时间。 此外，建立用户反馈机制，及时收集和响应用户对更新版本的