强化学习平台 & Universe 训练工具包 2018.6 GPT-1 1.17 亿参数 无监督预训练 + 有监督微调 2019 GPT-2 15 亿参数 半监督语言模 型效果验证 2020 GPT-3 1750 亿参数 超大模型 2022 年初 InstructGPT 13 亿参数 人类反馈强化学习 2022 年 12 月 ChatGPT 基于 生成能力大幅提升 数据： + Filter Common Crawl 模型： GPT-2 的基础上 + sparse transformer 参数： 175 B 特点： zero-shot 效果大幅提升 数据： BookCorpus （ 7000 本 书） 模型： AR （ Transformer Decoder ） 参数： 0.117 B 特点： pretrain + finetune ：君不见黄 河 之水天上来 1 8 AIGC 时代，让每一个营销活动都和“我”相关 1 9 大模型与保险营销 基于分割、融合、 3D 等技术，实现对图像或视频中的人物提取以及再加工，实现人脸融合效果，支持 API 、 SDK 和离线服务 等方式 高精度人脸融合服务 视频人脸融合 图片人脸融合 实时融合 用户照 素材图 融合图 2 0 AIGC 时代，生成一个数字世界里的“ AI 业务员”

每月预留 2 次「系统失效日」 家长可能陷入的四大误区 A I 时代家长需要具备的核心技能 1. 学习策略设计者 • 家长帮助制定科学合理的学习计划。 • 家长需要根据孩子的反馈和学习效果 及时调整策略。 2. A I 工具筛选者 • 家长在关注功能和教育价值外，还需 重点考量数据隐私和使用安全性， • 判断工具是否真正符合孩子的学习需 定清晰 的使用规则 。与孩子 一 起讨论 ， 制定合理的 使 用时间和学习目标 。 家长首先需要了解这 些工具 “ 会做什么 ” 和 “ 不能做什么 ” 。 第三步 ： 观 察学习 效果 并调 整策略 第二步 ： 与 孩子共建学 习规则 关注情感 需求与全 面成长 A I 四能教育 以 AI 为基础， 旨在帮助人们从低 能 到高能 、单能到多能 、多能到超 能 合小王学习的题目 ，帮助他巩固知识点 。 学习支持 • • 提供学习辅导和反馈 ，帮助学生解决学习 中遇到的问题和困惑 。 通过激励机制，激发学生的学习兴趣和动 力，提高其学习效果 。 一次函数 (y = kx + b) （ k ， b 为常数 ， k=#0 ）中 ， b 值变 化如何影响图像在 y 轴上的平移 。请提供详细的解 题思路， 并提供奖励机制激发小张的学习兴趣

似 推理、无监督学习等未曾出现的能力，这种现象被称为“涌现”，因此目前 大语言模型参数均在十亿量级以上。同时，Deepmind 研究表明，模型参数的 上涨需要配合等比例上升的优质数据集来达到最佳训练效果。因此，大模型 参数在十亿级以上发展并受限于优质数据集的增速是 AI 发展的必然趋势。 大模型增长挑战芯片算力和内存，无法实现完整端侧部署。大模型训练和推 理的三大瓶颈是算力、显存和通信，根据我们的测算，算力方面 6 图3： 参数量的指数提升线性提高模型性能 .................................................... 6 图4： 当模型的参数量大于一定程度时模型效果会突然提升 ...................................... 6 图5： 小模型的性能也随着规模扩大而逐步提高 ............................ 洁的摘要、更准确的翻译、回 答复杂的查询等。 以模型中的参数数量衡量，大型语言模型的参数在过去五年中以指数级增长。模 型的性能非常依赖于模型的规模，具体包括：参数数量、数据集大小和计算量， 模型的效果会随着三者的指数增加而线性提高，这种现象被称为 Scaling Law（缩 放能力）。 请务必阅读正文之后的免责声明及其项下所有内容 证券研究报告 6 图2：过去五年 LLM 模型参数快速增长

Diffusion、transformer ◼ 从NLU+NLG到LLM（大语言模型） 1. 语言逻辑和数据集蕴含了人类的认知智能 2. LLM是人类的认知智能的实现方式之一 3. LLM的原理很简单；工程很复杂；效果很神奇 01 对AI技术的认知：大模型的能力边界 用人工神经网络获取网络模型：深度学习-Transformer模型-大语言模型 大语言模型的核心原理：数据化-语义化-NTP（Next Token 能够根据讲师的具体教学场景，生 成量身定制的教案、课件及试题， 精准对接教学目标。大幅提升教学 准备效率，助力讲师更好地达成教 学效果。 各院校可以基于自身数据进行LoRA 模型的定制化训练，精准适配科研 课题及教学需求。院校能够构建个 性化的智能解决方案，提升研究与 教学的针对性与效果。 青鸟教育大模型：依托青鸟30年教法数据、学习数据训练而成，拥有庞大且精准的知识能力 开放API： 1 学场景，生成量身定制 的教案、课件及试题， 精准对接教学目标。大 幅提升教学准备效率， 助力讲师更好地达成教 学效果。 各院校可以基于自身数 据进行Lora模型的定制 化训练，精准适配科研 课题及教学需求。院校 能够构建个性化的智能 解决方案，提升研究与 教学的针对性与效果。 青鸟教育大模型，基于北大青鸟30年的丰富教法与学习数据，深度融合国家 “十三五”和“十四五”规划教材知识库

据进行预训练或微调，以提高在该 领域的性能和准确度，相当于AI成 为“行业专家” 行业大模型L1 是指那些针对特定任务或场景的大 模型。它们通常使用任务相关的数 据进行预训练或微调，以提高在该 任务上的性能和效果 垂直大模型L2 1.4 大模型的分类 大语言模型可以分为通用大模型和推理大模型 推理大模型的概念大规模传播应该开始于 2 0 2 4 年 9 月 份 。 2 0 2 4 年 9 月 1 2 案，那么有这个能力的大模型就是推理大 模型。推理模型的核心在于处理那些需要 多步骤逻辑推导才能解决的复杂问题。 推理模型的核心 1.4 大模型的分类 n 推理大模型DeepSeek R1的对话效果 1.4 大模型的分类 Sebastian Raschka博士（Lightning AI的首席教育学家）： 将“推理”定义为通过生成中间步骤来回答复杂问题的过程 2个简单的例子： 非推理问题： 义的理解，企业可以将非结构化数据进行结构化提取和总 结，大大降低了知识管理的落地门槛 知识管理 数据分析是企业决策的重要依据。大模型技术通过引入编 程能力，可以大大降低数据分析成本。然而，目前大模型 在特定业务场景下的效果仍需优化，模型微调是一种解决 办法 数据分析 在软件开发领域，大模型技术可以作为编码助手，提升工 程师的工作效率。通过AI编程助手，减少了重复劳动，提 升了代码质量 编码助手 4.3 企业大模型的部署方式

坐标定位：经纬度坐标数值进行精准定位 ➢ 账号及密码：银行卡等账号由一串特定长度的 数字组成，各种密码均采用数字语言 生活数字语言 人类对世界的认识和规律把握的能力增强，知 识经验的教授范围进一步扩大、教育效果增强 ➢ 条件：在海量数据、更大算力的支撑下 ➢ 特点：大语言模型能更加深入地解析事物， 在更深层次和更广的范围发现事物的新特点 ➢ 优势：在发现、认识、运用规律上相较于人 类有着明显的优势，人造工具突破人类认知 语言交互能力，有来有 回的问答式相比于知识的单向灌输，更接近孔子《论语》的对话体教学，也更接近苏格拉底的启发式对话教学模式。 注： 这里指狭义上的教育，即知识传授等“教书”问题，品德培养等“育人”效果不在此处讨论范围内。 来源：公开资料，艾瑞咨询研究院自主研究及绘制。 教学内容分门别类，以适应现代社会 分工与个人发展需求。同时专业内容 需要根据时代需求快速更新迭代 分科教学 既有通用行业的大规模数据，也有垂 、性 格特征、特长爱好等多维度数据形成学情分析报告，帮助教师为 每位学生制定更加精准和有效的教学策略和成长路径 教育数字化转型的技术支持：教学模式转向“师-生-机”三元结 构，提升教育效率与效果，结合翻转课堂、XR等技术激发学生 的学习动力，提供更为丰富和沉浸式的学习体验 AIGC 教研 工具 教学 工具 学习 工具 评价 工具 作为教师“外脑”的积极作用更受到认可 AIGC对学习评价工作带来显著挑战

经由全局调度将业务需求拆分，下发到区域调度，再由区域调度完成 业务的部署与运行。 3 ● .1.1 背景描述 在算力资源全网分布的生态体系中，每一算网资源均可自主经营， 构建独立的运维、管理、结算系统。 3.1.2 目标效果 算力使用者在使用算网资源时，能够通过算网协同调度平台为统 一平台，实现对所有算网资源的无差别调度使用。这意味着，无论资 源的属性和管理方式如何，用户只需关注自身的业务需求，无需了解 资源的 口，突破地域和资源限制，调度使用全局算网资源，实现资源的优化 配置和业务的拓展升级。这种模式不仅丰富了算力市场的竞争格局， 还促进了资源的共享与流通，为整个产业的发展带来了新的机遇和活 力。 9 3.2.2 目标效果 一方面，算力使用者通过算网协同调度平台总入口，能够像在总 分调度场景中一样，实现对系统内所有算网资源的无差别调度使用， 享受统一、便捷的资源服务。另一方面，算力使用者还可以通过自治 系统业 自不同区域、不同类型的计算资源、存储资源以及网络资源，运用全 面的资源优化算法，进行统一的资源调度与分配，旨在实现对算力使 用方需求的精准满足，同时充分挖掘和利用所有潜在的资源优势。 3.3.2 目标效果  增强资源调配自主性 16 自治系统资源提供方作为算力使用方，可依自身情况，自主决定 在系统内独立调度、借助自治系统分总调度或直接发起总分调度，灵 活把控资源调配流程，契合复杂多变的业务需求场景。

实践性：“行 ”是将知识和信息转化为实际行动的过程， 它强调实践和应用。 目标导向：行动是为了实现特定的目标或解决问题 ，具有明确的方向性。 动态调整：行动过程中需要根据实际情况进行灵活调整 ，以达到最佳效果。 问行合一 ： 主动深思 创新执行 8 • DeepSeek 发布后在 1 月 27 日迅速登顶美国下载榜首； 截 DeepSeek 在 168 个国家位居下载榜第一名。 • 业微 信、办公门户、 e 掌柜、核心系统运维机器 人、智 能陪练、双录、 OA 等 11 个系统上线 • 准确率提升：问答准确率提升 42% ，经通用大 模型私有化、建立场景基线效果、人保专属大 模型训练、迭代优化范围扩展四个阶段。 • 自动化与知识库：形成人保寿险数百万条知识 库数据、实现自动化采编投喂，效率提升 30 倍。 线上调用量 26 万 + 交易模式 客户身份识别 可疑交易检测 回溯分析 AI 检测 全量 涉及保费 （三道防线案件） 涉及分公司 36 家 DeepSeek 上线后效果 身份特征 行为特征 亿 级 ii 审计岗 确认 反洗钱岗 排查 AI 模 型 检测 AI 模型分 析 客户画像 行为分析 交易特征 规则判断

产出(Output) vs. 成果(Outcome) • 产出(Output)指项目或产品的直接可交付成果，如软件系统功能、代码、文档等。 这是团队的直接工作结果。 • 成果(Outcome)关注交付后的影响效果，如提升的业务指标、用户体验、带来的商 业价值等。这是交付作用的最终体现。 一次性交付 持续输出客户价值 交付为重点 全生命周期运营 固定范围 迭代 规划驱动 数据驱动 Why What How 产出(Output) vs. 成果(Outcome) • 产出(Output)指项目或产品的直接可交付成果，如软件系统功能、代码、文档等。 这是团队的直接工作结果。 • 成果(Outcome)关注交付后的影响效果，如提升的业务指标、用户体验、带来的商 业价值等。这是交付作用的最终体现。 一次性交付 持续输出客户价值 交付为重点 全生命周期运营 固定范围 迭代 规划驱动 数据驱动 Why What How 梳理：一个理想化的诊疗路径是怎样的？ 案例：从早期的初诊筛查、精准诊断到个体化方案定制、规范化治疗， 再到后期的患者服务和随访追踪，然后进行二次诊断筛查，最终形成 一个良性循环， 从而提升患者诊疗效果。 谁是我的产品最终用户？或谁会最终受益？ Why What How 患者 筛 诊 治 管 www.top100summit.com 核心实践 – 以患者为中心 方式：携手诊断合作伙伴、学协会、患者组织、医生和患者，打造可

的一站式机器学习平台，为客户提供从数据准备、模型精调、效果评测到模型部署的全流程工 具链，帮助用户以更高效率精调并部署真正可用的大模型。同时，腾讯云 TI 平台还为客户提供面向异构算力的集约管理能力，能帮 助用户全面管理、精细调度、高效运维国产算力，加速各行业数字化转型。 腾讯云TI平台 覆盖大模型和传统AI的一站式机器学习平台 产品架构 大模型广场 快速试一试 一键部署大模型，快速体验推理效果 一键精调 预置镜像和模型，一键启动精调训练 部分垂直行业场景示例 文旅 虚拟导游 汽车 汽车助手 零售 电子说明书 垂直行业场景 政务 一网通办 核心优势 领先的智能体对话效果 平台内置行业实践流程、领先的 RAG 算法，只需导入文档 / 问答对，即可让智能体对接企业多模态知识，达到稳定精确的知识问答效果。支 持画布式灵活编排工作流，可快速将企业系统 API 接入智能体，智能体输出更稳定可控。 全面的智能体开发框架 提供 LLM+RAG 实用工具链 稳定可控的 训练调度 方式齐全的 模型评测 易用可靠的 模型部署 可灵活扩展的多模态数据标注 4大类场景全面支持 可自定义的任务调度策略 3层机制保障减少中断 可即时发起的模型效果检验 3阶段评测全面覆盖 可自动弹缩的分布式部署 稳定支持高并发 高效灵活的 数据准备 强大内核 模型 千亿混元MoE开源模型 超50%显存节省 超60%吞吐提升 框架 自研Angel训推加速框架