拟人类的深思熟虑 ， 逐步分解复杂的问题 ， 提高答案的准确性和 深度。 OpenAI-o 系列推理模 型 逐步思考 ，并分解复杂的问 题 相较于 GPT-4o o1 大幅提 升 要知道从玉泉校区到紫金港校区如何最快出行，首先得 知道有几种交通路线： 1. 89 路公交车，共 17 站，需步行 2 分钟，共用时 50 分 钟 2. 地铁 10 号线转 2 号线，这样就是 2 站 14 站，需步行 11 分钟，共用时 50 分钟 4. 还可以 …… 这样综合看起来，最快的交通方案应该 2 ，共用时 43 分 钟 什么是思维链 (CoT) 从浙大玉泉校区到紫金港校区如何最快出行？ 地铁 10 号线黄龙体育中心站 -> 文三 路 -> 学院路（转 2 号线） -> 古翠路 -> 丰 潭路 - > 文新路 -> 三坝 -> 虾龙圩 -> 步行 … 桌子上放着 业信息智能分析提出重大需求，呈现广泛、持续增长的发展态势。 产业发展决策：广阔的社会需求 关键核心技术突破 创新链产业链融合 科技创新体系优化 产业创新生态营造 技术创新路径规划 数字化转型方案 智能制造升级 绿色低碳发展 技术竞争态势分析 市场机遇识别 产品创新方向 竞争优势构建 产业发展战略规划 新兴产业布局指导 产业能级提升路径 未来产业培育方向 产业链风险预警 供应链韧性提升 产业链补链强链

关系。我们为客户、员工、股东、合作伙伴以及社会创造360°价值，并以此为衡量自身的标准。 埃森哲在中国市场开展业务近40年，运营和办公地点分布在北京、上海、大连、成都、广州、深圳、杭州、香 港和台北等城市。 了解更多，敬请访问埃森哲中文主页accenture.cn。

率，这对于保障在线业务的体验至关重要。 存储方案升级应对大数据量冲击：云服务商通过采用更高性能的存储设备和更高效的存储架 构，结合对数据布局的优化，提供贴合不同在线业务需求的个性化存储服务，例如低时延块 存储（数据库多副本场景，<0.1ms延迟）、高带宽弹性盘（大数据单副本场景，吞吐量达 ��Gbps）、高速临时存储等。 1.2 软硬一体协同优化，应对AI时代激增的数据冲击 AI预训练 制，以及C端市场的智能搜推、智能客服等。 �� 挑战：企业多元业务需求与 海量AI数据的冲击 02 2.1 在线业务面临性能与效率的极限挑战 面对企业海量在线业务以及复杂的创新场景，现有的云基础设施常常难以应对用户在弹性、低时 延和高吞吐等方面的基础性能问题。 复杂应用的复合性能挑战：以游戏场景为例，其涉及复杂的图形渲染，以及物理环境模拟、 人工智能算法等，既需要高性能单核算力，支撑Unity和Unreal Engine等3D引擎的运行，也 Engine等3D引擎的运行，也 需要可靠的的多线程并发能力，支持多玩家同步时的后台任务处理和AI推理。游戏业务的周 期特性对于资源的弹性伸缩能力要求极高。此外，玩家数据的记录也涉及频繁的写操作，需 要保持长连接、低时延的计算、存储服务。当前的游戏业务还广泛使用到数智驱动，利用AI 加速对玩家行为进行实时分析并提供个性化推荐。 存算分离架构带来网络、存储性能压力：在大数据、数据库场景中，存算分离架构使计算节

合算力协同发展 潜力尚待充分挖掘，亟需通过深化一体化算力网建设，强化统筹协 同与动态优化能力；全面提升算力供给质效，加速推动结构的迭代 升级；夯实存力运力底座，促进“算存网”协同演进；构建绿色低碳 体系，加速基础设施绿色升级；深度开展融合创新实践，助力产业 生态繁荣发展。 《2025 综合算力指数》全面呈现了我国综合算力发展现状，挖 掘各地区综合算力发展问题，并给出发展建议，为我国算力产业“点、 ............. 37 （三）夯实存力运力底座，促进“算存网”协同演进.......................................38 综合算力指数 （四）构建绿色低碳体系，加速基础设施绿色升级...................................... 38 （五）深化融合创新实践，助力产业生态繁荣发展..................... 相对不足，存在兼容性、安全性和效能发挥等问题。此外，软硬件 的协同适配性也有待提升。三是节能降碳水平亟待进一步提高。算 力中心的高速发展，带动我国能耗和碳排放水平进一步攀升。在“双 碳”战略背景驱动下，亟待加强算力中心“绿色化低碳化”转型，提升 节能降碳水平。四是产业生态亟待进一步完善。我国算力产业生态 建设虽有进展，但仍存在基础设施建设不均衡、算力应用深度广度 不足、产业链各环节协同不畅等问题，算力拉动经济增长的潜力尚

面向实战的一站式大模型精调部署解决方案 AI 建模部署 大模型精调 u 快速试一试： 零代码一键部署大模型，网页问答体验推理效果 u 精调训练： 低代码、灵活自定义两种精调模式自由选择 多种训练工具：具备周期调度能力的可视化建模，低门槛深度学习场景化 工具，交互式代码开发工具，专业的通用任务调度工具 分布式稳定训练：支持多机多卡大规模训练，故障自动重启续训 镜像制作：基于 jupyter 与运营 算力调度 容器调度 核心收益 满血版模型一键精调 • 256 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 监控，高可 用 细致的资源级权限管控 稳定期 痛点 稳定期 痛点 探索期 痛点 根据业务量探索资源用量 机型差异大，选型难 验证效果链路长，耗时久 算力空闲情况多， ROI 低 探索期 TI 平台价值 内置全系模型，一键部署 免费体验，快速验证效果 服务部署 蒸馏精调 启动阶段 业务量变化，服务调整难度大 TI 平台价 值 TI 平台价 值 TI 平台价

型对标注数据进行初步检查，筛选出可能错误的样本供人工复核。 对于大规模标注项目，分层质量控制策略更为有效。数据可分 为不同优先级，高优先级数据（如关键领域或高频标签）需进行更 严格的质量检查，而低优先级数据则可适当降低抽查比例。同时， 建立标注人员的绩效评估机制，将标注质量与绩效挂钩，激励标注 人员提高工作质量。 为确保标注过程中的一致性，可以采用以下具体措施：  制定并分发标注手册，定期更新和完善手册内容。 其次，存储资源的设计需满足大规模数据集的高速读取和中间 结果的存储需求。以下为存储资源配置建议： - 数据集存储：采用 分布式文件系统（如 HDFS 或 Lustre），以确保数据的高吞吐量和 低延迟访问。 - 中间结果存储：配置高速 NVMe SSD 阵列，用于存 储训练过程中的中间结果和检查点文件。 - 存储容量：根据数据集 规模和模型复杂度，建议初始配置为 PB 级存储，并支持动态扩 级存储，并支持动态扩 展。 网络资源的配置对于分布式训练尤为重要，需确保节点间的高 效通信。具体建议如下： - 网络带宽：采用 InfiniBand 或 100Gbps 以太网，确保节点间数据交换的低延迟和高吞吐量。 - 网 络拓扑：建议使用 Fat-Tree 或 Dragonfly 拓扑结构，以减少通信 瓶颈并提高网络效率。 以下是一个硬件资源配置的参考表格： 资源类型 配置建议 备注

Deepseek-V3仍是基于Transformer架构的模型，是 一个强大的混合专家（MoE）模型，总共有 671B 个 参数，生成每个token时激活 37B 参数 • 训练成本比 Llama 405B 低一个量级 • DeepSeek-V3所采用的技术： • MLA多头潜在注意力机制（降低显存占用） • MTP多token预测（提升效果、提升推理速度） • FP8混合精度训练、DualPipe流水线、MoE负载 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 LiveCode Bench CodeForces pass@1 pass@1 V3训练开销&R1效果引发全球热议 ChatGPT Llama o1/o3 DeepSeek-R1 首次提出 开源复现 ★ DeepSeek V3效果对标顶级闭源模型，训练成本比LLaMA低一个量级 30.8 2.8 0 20 40 Llama 3.1 405B DeepSeekV3 671B 下降一个量级 训练耗时 单元：万GPU小时 DeepSeek-V3 MMLU

...................................................................................176 9.2.2 用户接受度低.................................................................................................... DeepSeek 智能体的架构设计采用分层模块化结构，通过审计 领域知识增强与大模型能力融合实现任务闭环。系统核心由数据接 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 习机制，每月更新审计案例库以增强模型适应性。 3.3.2 机器学习模型选择与优化 在机器学习模型选择与优化阶段，需结合审计业务场景的数据 特性与性能需求进行针对性设计。审计数据通常具有高维度、稀疏 性及非平衡性（如异常样本占比低）的特点，因此模型需具备特征 自动提取、样本权重调节及可解释性能力。以下是关键实施步骤： 基础模型选型 优先采用集成学习与深度学习相结合的混合架 构。随机森林与 XGBoost 适用于结构化审计数据（如财务凭证、

RTSP、HTTP 等，以确保与现有监控设备兼容。 o 智能事件检测：借助 AI 大模型，系统需要实时分析视频 内容，自动识别潜在的安全事件，如打斗、聚众、异常 行为等。模型应具备高准确率和低误报率，确保追踪如 盗窃、火灾、交通事故等事件的发生。 o 数据存储与管理：系统应具备强大的数据存储能力，能 够处理大规模视频数据，并保留相应的事件标签和元数 据。同时需具备数据管理功能，支持数据的分类、检索 计算机视觉、情感分析 算法 实时监控视 图 多画面集中显示及控制 中 前端框架、视频拼接技 术 查询与检索 功能 快速检索历史视频数据 中 数据库技术、索引优化 分析报告生 成 自动生成事件报告 低 报告生成工具、模板引 擎 用户权限管 理 多级权限管理，保障数据安全 高 安全认证机制、角色管 理 系统日志记 录 日志记录与故障恢复方案 中 日志管理系统、监控工 具 通过上述 照 和气候条件下表现出色，具备以下基本性能：  分辨率：至少 1080P（1920x1080）。  帧率：至少 30 帧/秒，针对动态场景应考虑 60 帧/秒的设备。  适应性：能够在低光环境和强光环境下正常工作，具备夜视和 HDR 功能。  存储方式：支持实时存储和云存储，便于远程访问和数据备 份。 其次，视频数据采集系统应具备区域和角度的灵活性，以便满 足不同场景需求

为数字化转型提供 清晰的方向和路径。 • 支持资源优化配置，提升运营效率，降低转型成本。 构建全能力地图 02 银行数字化转型现状与痛 点分析 传统银行系统多采用集中式架构，模块化程度低，导致系统灵活性不足，难以快速响应市场需 求和业务变化。 传统银行系统架构局限性分析 技术架构老化 现有架构难以支持高并发和大规模数据处理，无法满足日益增长的线上业务需求，限制了银行 的业务拓展能力。 数据接口标准化 01 通过定义统一的数据接口和协议，确保大模型与现有系统 之间的数据交互顺畅，减少集成过程中的兼容性问题。 模型轻量化部署 02 针对大模型的高计算需求，采用模型压缩和量化技术，降 低模型的计算复杂度和存储需求，使其能够在现有硬件资 源上高效运行。 模块化集成设计 03 将大模型的功能拆分为多个独立模块，逐步与现有系统集 成，降低整体集成风险，同时便于后续的功能扩展和优化。 合规流程的自动化管理，包括反洗钱、反欺诈 等领域的实时监控和预警，降低合规成本。 符合金融行业监管科技（ RegTech ）标准 09 实施路径与阶段目标 试点业务场景选择与验证计划 业务场景筛选 优先选择具有高业务价值、低实施复杂度的场景作为试点，如零售银行的客户画像构建、 风险管理的信用评估等，确保试点能够快速验证大模型的应用效果。 验证计划设计 反馈机制建立 制定详细的验证计划，包括数据准备、模型训练、结果评估等环节，确保每个步骤都有明