s1 表现出的 Test time Scaling n DeepSeek 可以通过 API 接口或者数据中台架构，实现与传统银行技术系统的数据交互，从而实现各类业务高效高质的无 缝对接，有望释放海量私域数据价值。 Post-Train 阶段大规模强化学习的训练方法使模型拥有了更强的自主推理能力， 不 再依赖传统提示工程。根据 DeepSeek 的官方使用指南， 在使用模型时不建议添加系统提示（ 有指令都应当包含在用户提示（ user prompt ）中。这也显示出了模型通用推理能力在应用中的扩展。 图表：大模型数据类型 Post-Train 阶段 数据：大规模 RL 提升非结构化数据分析能力，释放私域数据价 值 资料来源：中泰证券研究所 10 n Janus-Pro 结合了优化的训练策略，扩展了训练数据集和模型规模。通过这些改进， Janus-Pro 在多模态理解和文本到 图像的 合同质检和自动化估值对账场景中。 资料来源：上海证券报，搜狐，中泰证券研究所 16 降本增效场景之三：智能合同质检 图表：江苏银行 AI 布 局 n AI Coding 能够替代低效工作 ，充分释放开发者的价值。未来可能会由 AI 承担部分基础工作， 而开发者则转向更高层次的 架构设计和业务规划，专注于更复杂、更创造性的任务， 如架构设计、算法优化或用户体验创新。 n AI 编程在银行业可有效赋能内部研发。从具体用例看，

近年来，AI 快速发展。算力、存力、运力以及模型能力的协同 发展水平成为衡量地区数字竞争力的关键。算力支撑数据处理与计 算，存力保障数据的高效存储与调用，运力保障数据的跨域传输， 模型能力则深度释放算力在各场景的应用效能。如何更科学的评估 我国综合算力发展现状，全面把握区域产业短板与优势，成为推动 我国数字经济高质量发展的新命题。 我国正处于数字经济加速跑的关键期。近年来，我国在算力领 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 未充分释放。 对全国进行综合算力指数分析，有助于客观全面分析当前我国 综合算力整体发展现状及发展潜力。通过全方位分析发展现状，为 我国制定更加科学合理的策略提供依据，实现有针对性地解决现有 瓶颈、有前 续扩大。《全国数据资源调查报告（2024 年）》显示，我国数据存 储总量持续增长，2024 年已达 2.09ZB，同比增长 20.81%。大数据、 人工智能等技术的广泛应用，以及智能制造、智慧交通等场景对海 量数据存储需求的释放，有力推动了存储需求的增加。 我国存储技术在容量、速度和可靠性等关键性能指标方面取得 显著提升。容量方面，通过不断优化存储架构和采用先进的存储介 质，单个存储设备的容量得到了大幅提升。企业级硬盘的容量已经

的双引擎，是支撑数字建设和数字经济运行的关键要素。 智算建设如火如荼，但唯有建好、管好、用好算力，提供极致的智算服 务，构建稳健高效的算力平台，才能将算力转化为驱动创新的价值源泉，持续 释放算力价值。 智算服务是发挥极致集群算力的关键要素，释放算力新质生产力，服务 不可或缺。智算集群是一个复杂工程系统，非简单的软硬件的堆砌，它要求 算、存、网、服务的高效协同。智算服务包含智算集成、运维、计算使能和优 化 智算中心的挑战，本质上是从“基础设施的建设者”向“算力服务与产业创新的运营 者”角色的转变。不仅要建好算力，还要管好、用好、维好算力。通过智算服务发挥极致 集群算力，齐聚行业力量构建稳健高效的算力平台，持续释放算力价值。 第二章 智算服务架构 智算服务架构总体分为三类：基础设施类服务，模型支持类服务和行业应用类服务。 如下图 1 所示。 图 1 智算中心服务架构图

缓存，可保障高并发场景流畅响应。采用原生硬件加密 QAT 技术，集成 SSL/TLS 加密、压缩 / 解压缩加速引擎，可从 CPU 卸载计算密集型对称和非对称加密以及数据 压缩 / 解压缩操作，释放 CPU 资源，使海量自动驾驶数据出入数据库时的透明压缩和解压等任 务更高效，显著降低算力成本。 稳定可靠，持续运行： ECS g�i 的双单路设计，能够有效降低故障时的爆炸半径，并实现故障时 直播、RTC 等全视频场景提供 智能化解决方案，目前已与国内外 100 多家头部企业达成合作，每月处理视频超 15 亿分钟，覆盖从 云端到终端的全链路视频服务。 业务痛点： 高性能算力需求：释放自研编码内核技术潜力 微帧科技自研的编码内核需要高性能算力平台，满足超高清视频处理的计算强度需求。在视频 编码前，需要运用降噪、画质增强等 AI 预处理技术对原始视频进行优化，这需要强大的算力支 本，避免资源闲置损耗，实现技术投入与运营效率的平衡。 解决方案： 高性能算力底座：ECS g�i 为视频编码前的 AI 预处理提供了有力保障，确保降噪、画质增强等 操作能够快速、精准执行，充分释放解码引擎的技术潜能。 全球化算力网络，多地域部署灵活覆盖：依托阿里云在国内和国际核心地域的完善基础设施， 微帧科技得以构建大规模算力服务网络，支持业务就近部署，确保为用户提供低延迟、高可用的 优质算力供给。

分布式锁：多节点共享资源并发协调 • 基于CP协议Raft实现分布式锁 功能； 基于CP协议Raft 极简API • 全局lockKey标识 • Lock & Unlock接口 • 断线超时后自动释放锁； Part 2 Nacos3.0 安全零信任 Nacos内核&应用安全零信任 Nacos3.0 内核安全零信任架构升级 • 访问控制 Nacos Server nacos-client

同时，保险公司还需要关注技术发展趋势和市场动态，及时调整技术策略和投资方向， 以保持技术的先进性和竞争力。 大模型技术在保险行业的初步应用已显现出效率提升、客户体验优化及风险管理能 力增强的显著优势。然而，要全面释放这些技术的潜力，保险公司必须积极应对推理速度、 精准度、监管合规、数据隐私、模型解释性及技术投资等多方面的挑战，通过技术创新与合 规管理，推动保险科技的健康发展。 �� 在当今这个日新月异的 期的端到端效果；未来将组建专业的运营团队，在应用推广初期对大模型的结果进行审核 与校正，保证质量和业务使用体验。三是目前一些大模型应用仍是以大模型为路由，通过 链式调用工具完成任务，本质仍是对流程建模，无法带来业务深刻变革和价值释放。未来 ��� ��� 将围绕数字劳动力Agent，拟定具备通用性、泛化性和鲁棒性的Agent框架，将数字劳动力 应用嵌入业务流程。 图15 太保“搭台”与“唱戏” 图16 太保项目建设蓝图 0的快速迭代升级。通过15个大类， 2098道对话问题测试集构建“IUE保险大模型评测基准”。问答准确度快速提升，从最初的 52.7%提升至81.1%。依托企业知识库、大模型能力，优化各岗位工作流程，提升自动化水 平，释放人力资源，实现降本增效。 在实施信美Chat-Trust的过程中，已对各岗位的工作流程进行了重新梳理，识别并整 合了关键知识点和重复性的业务流程。利用大模型技术，实现了知识与流程的线上化，提

网络带宽 InfiniBand 或 100Gbps 以太网 低延迟，高吞吐量 最后，在实际部署中，硬件资源配置需根据具体训练任务的规 模和要求进行优化和调整。建议采用弹性资源管理机制，以动态分 配和释放资源，提高资源利用率和训练效率。同时，需考虑硬件的 冗余设计和故障容错机制，确保训练过程的稳定性和可靠性。 3.3.2 超参数调优 在 AI 大模型的训练过程中，超参数调优是关键环节之一，直 层融合：将多个连续的卷积层或全连接层合并为一个操作，减 少计算过程中的内存访问次数，提升计算效率。 此外，优化推理服务的内存管理也是关键。建议采用以下策 略：  内存池技术：通过预分配和复用内存块，减少频繁的内存分配 和释放操作，降低内存碎片化，提高内存利用率。  批量推理：将多个请求合并为一个批次进行处理，减少 GPU 的空闲时间，提升整体吞吐量。例如，当有多个请求同时到达 时，可以将这些请求打包成一个批次，一次性送入

将环境和动作细节转换 为文本, 随后由 GPT-4 驱动的任务规划器进行处 理. 在随后的分析中, 视觉系统会根据任务计划重 新分析视频, 使用开放词汇表的对象检测器来确定 对象名称, 并关注手−对象关系以检测抓取和释放 的时刻. 这种时空定位允许视觉系统进一步收集对 机器人执行任务有价值的可供性数据 (如抓取类型、 路径点和身体姿势). 针对动物数据, Han 等[36] 提出了一个分层框 架, 旨在通过预训练模型和强化学习

万元/月。此外，传统规则引擎的客户分群准确率每 季度下降约 7%，需要持续投入大量人力进行规则维护，年维护成 本中位数达 15 万元/每千用户。这些痛点严重制约了 CRM 系统在 智能经济时代的价值释放，亟需通过大模型技术实现根本性突破。 1.2 DeepSeek 大模型的核心能力 DeepSeek 大模型作为新一代多模态 AI 基础模型，在 CRM 系 统智能化升级中展现出三大核心能力优势。其基于千亿级参数的

行在多个维度实现运营优化。首先，DeepSeek 的智能自动化技术 可以大幅减少人工操作的重复性和繁琐性，例如在客户服务、数据 录入和交易处理等环节。通过部署自动化流程，银行可以减少人为 错误，提升处理速度，并释放人力资源以专注于更高价值的任务。 其次，DeepSeek 的预测分析能力能够帮助银行更好地进行资 源规划和调度。通过对历史数据和实时数据的深度分 析，DeepSeek 可以预测业务高峰时段、客户需求变化以及市场趋