项目编号： 人工智能行业 AI 大模型 SaaS 平台 设 计 方 案 目 录 1. 引言...............................................................................................................6 1.1 背景........................ ..........................................48 3.2.1 模型训练模块.............................................................................50 3.2.2 模型评测模块................................................. ......................................78 4.2 大模型集成..........................................................................................80 4.2.1 模型选择与对比..........................................

基于大模型的具身智能系统综述 王文晟 1 谭 宁 1 黄 凯 1 张雨浓 1 郑伟诗 1 孙富春 2 摘 要 得益于近期具有世界知识的大规模预训练模型的迅速发展, 基于大模型的具身智能在各类任务中取得了良好的 效果, 展现出强大的泛化能力与在各领域内广阔的应用前景. 鉴于此, 对基于大模型的具身智能的工作进行了综述, 首先, 介绍大模型在具身智能系统中起到的感知与理解作用; 其次, 对大模型在具身智能中参与的需求级、任务级、规划级和动作 级的控制进行了较为全面的总结; 然后, 对不同具身智能系统架构进行介绍, 并总结了目前具身智能模型的数据来源, 包括 模拟器、模仿学习以及视频学习; 最后, 对基于大语言模型 (Large language model, LLM) 的具身智能系统面临的挑战与发 展方向进行讨论与总结. 关键词 大语言模型, 大型视觉模型, 基础模型 基础模型, 具身智能, 机器人 引用格式 王文晟, 谭宁, 黄凯, 张雨浓, 郑伟诗, 孙富春. 基于大模型的具身智能系统综述. 自动化学报, 2025, 51(1): 1−19 DOI 10.16383/j.aas.c240542 CSTR 32138.14.j.aas.c240542 Embodied Intelligence Systems Based on Large

Deepseek 大模型在银行系统的部署 方案设计 目 录 1. 项目概述.......................................................................................................6 1.1 项目背景.......................................... ...................................42 5. 模型部署.....................................................................................................43 5.1 模型选择......................................... ......................................45 5.2 模型训练.............................................................................................46 5.3 模型优化.............................................

消费电子行业大模型新型应用最佳实践分享 陈树荣 腾讯云智能商业化 2025.03 LEVEL 1 研发模型结构 LEVEL 2 研发预训练模型 LEVEL 3 基于模型 SFT LEVEL 4 直接调用 大模型产业生态图 大模型产业链上的生态，根据大模型生态上不同企业的定位，分成了四个等级的企业： • 自研大模型结构的企 业 • 不用训练，直接调 用大模型 API 的企业 • 研发预训练模型的企业 • 基于自己数据 SFT 做自己模型的企业 • 基于开源或者基于国内预训练模型结 合自己数据进行微调的企业 …… …… …… …… 国外头部 国内创业明星 国内外大模型百花 齐放 全球开源社区 DeepSeek 是“深度求索 ” 开发的一系列人工智能模型。 DeepSeek 通过持续的技术创 新 和市场拓展，在自然语言处理和大型语言模型方面取得了显著进展，在国际市场上获得 了 广泛认可。其中： ● DeepSeek-V3 是在 14.8 万亿高质量 token 上完成预训练的一个强大的混合专家 (MoE) 语言模型，拥有 6710 亿参数（激活参数

...............................................................................7 1.2 DeepSeek-R1 大模型简介.................................................................10 1.3 工程造价行业现状................ ........................................12 2. DeepSeek-R1 大模型的技术特点..............................................................14 2.1 模型架构........................................................... 深度学习算法......................................................................................20 2.4 模型训练与优化..................................................................................21 2.5 可扩展性与兼容性

项目编号： 铁路沿线实景三维 AI 大模型 应 用 方 案 目 录 1. 项目背景与目标............................................................................................6 1.1 铁路运输的重要性...................................... 1.2 现有铁路管理模式的不足.....................................................................9 1.3 实景三维 AI 大模型的优势..................................................................11 1.4 项目目标与愿景............... 人工智能算法应用..............................................................................22 2.2.1 深度学习模型.............................................................................25 2.2.2 数据处理与分析.....

项目编号： 公共安全引入 AI 大模型视频智能挖掘 应 用 方 案 目 录 1. 引言...............................................................................................................5 1.1 背景介绍........................ .......................................................................7 1.2 AI 大模型在公共安全中的潜力.............................................................8 1.3 文章目的................................... ..................................45 3.3 AI 模型选择.........................................................................................47 3.3.1 深度学习模型..............................................

法、指挥决策、救援实战、社会动员等应急管理能力。 大语言模型是具有大规模参数的深度学习模 型，通过对海量文本的训练习得语言的统计规律， 从而具有理解和生成自然语言的能力，实现人机之 间的有效通信。自2018年双向编码表示模型（bidirec⁃ tional encoder representations from transformer，BERT） 的出现，以及 2022 年第四代生成式预训练模型（gen⁃ erative pre-trained pre-trained transformer，GPT），人工智能领域 自然语言处理方向的重大突破，引领了大规模预训 练模型及应用研究的热潮。大语言模型技术的迅猛 进展正深刻地影响着机器系统智能化的轨迹，标志 着进入一个新的人工智能时代。从 BERT 到 GPT [1-2]， 这些模型通过深度学习和海量数据训练，不仅推动了 自然语言处理技术的边界，也正在改变知识获取和创 新的模式，将对应急管理体系发展、能力要求以及实 金（20BZZ037）, 广 东 省 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）

浙江大学 DeepSeek 系列专题线上公开课（第二季） 从大模型、智能体到复杂 AI 应用系统的构 建 —— 以产业大脑为例 肖俊 浙江大学计算机学科与技术学院人工智能研究所 2025 03 杭州 • 大模型推理能力快速提 升 • 推理模型和思维链 (CoT) • 智能体是什么？ • 四链融合产业大脑案例 提纲 大模型推理能力快速提升 开始模仿人 脑进行大量 数据的标记 和训练 和训练 神经网络 CNN RNN GAN 1990 年开始； 2006 年获得突 破 快速回望历史——大模型的产生 对人脑学习 过程进行重 点关注 Transformer 2017 年 ChatGPT 2022 年 Instruct GPT BigBird ALBERT ELECTRA 基于模板和 规则的前深 度学习阶段 基于规则 的少量数 据处理 1950 以及 Transformer 模型的多种技术模型积累 2019 年 GPT-2 BART RoBERTa ChatGPT 经过多类技术积累 ，最终形成针对人类反馈信息学习的大规模预训练语言模 型 2018 年 GPT-1 T5 BERT 2020 年 GPT-3 M2m- 100 XLM 进行海量数据学习训练 ，人类的反馈信息成 为模型学习的内容 OpenAI 公司于