独立发现了一些通往o1路上的核心理念，并且效果还好到受到了OpenAI 的认可 ➢ 如何通过有效的 Test-Time Scaling 和 Train-Time Scaling 提升模型的推理能力？ ➢ 得益于纯大规模强化学习，DeepSeek-R1 具备强大推理能力与长文本思考能力，继开源来备受关注。 ➢ DeepSeek R1-Zero 和 R1的出现再次证明了强化学习的潜力所在： ➢ R1-Zero 从 DeepSeek-v3-Base (671B) DeepSeek-R1-Zero 基于规则的奖励 Rule-Based Reward 推理为中心的大规模强化学习 Large-Scale Reasoning-Oriented RL 大规模推理为中心的强化学习，提升模型数学代码能力 RL驱动下自然涌现长文本推理能力 9 DeepSeek-R1 技术剖析：DeepSeek-R1 Zero 准确率奖励 + 格式奖励 10 DeepSeek-R1 技术剖析：DeepSeek-R1 Zero DeepSeek-R1 Zero: 无需监督微调SFT，纯强化学习驱动的强推理模型 ➢ 推理为中心大规模强化学习：组相对策略优化（GRPO）+ 瞄准 Reasoning 推理任务 ➢ 自我迭代提升Self-Evolution：随着训练步数的增长，模型的thinking response length

人工智能与大模型的关 系 3.4 大模型分类 3. 大模型：人工智能的前 沿 3.5 大模型原理 3.6 大模型产品 3.7 大模型应用领 域 厦门大学大数据教学团队作品 大模型通常指的是大规模的人工智能模型 ，是一种基于深度学习技术 ，具 有 海量参数、强大的学习能力和泛化能力 ，能够处理和生成多种类型数据的 人 工智能模型。 通常说的大模型的“大”的特点体现在： 2020 年 ， （ Nat u ral La ng uage Processing ， NLP ）领域中的一类大 模型， 通常 用于处理文本数据和理解自然语言 。 这类大模型 的主要特点是它们在大规模语料库上 进行了训练， 以学习自然语言的各种语法 、语义和语境规则 。 代表性产品包括 GPT 系列 （ OpenA I ） 、 Bard （ Google ） 、 DeepSeek 、文心一言 悟空画画（华 为） 、 midjourney 等 视觉大模型 是指在计算机视觉（ Computer Vision ， CV ）领 域中使用的大模型 ，通常用 于图像处理和分析 。 这类模型通过在大规模图 像数据上进行训练， 可 以实现各种视觉任务 ， 如图像分类 、 目标检测 、 图像分割 、姿态估计 、人脸识别等 。代表性产品 包括 VIT 系列 （ Google ） 、文心 UFO

Distribution 昇腾硬件使能 Ascend Runtime 模型训练：算网 / 算存深度协同是大模型分布式并行训练的基 础 大模型技术发展方向 支持 2 级框盒、框框组网，适用于大规模及超大规模集群 3 、 AI 任 务信 息 任务、通信域 … 1 、控制器获取网络拓扑， 下 发路径 信息 2 、 AI 任 务调 度 以全部通信关系和拓扑信息作为输入 通过算法计算出最优结果，实现 调度，多任务节点非连续组网情况下，通信 带宽 提升 20% 、模型性能提升 7% 算存协同 • 极致读写性能： CKPT 等算存读写协同优化、 PB 级存取 +TB 级带宽，数据读取效率提升 50% 大规模组网 • 超大组网规模： 2 层 1:1 无收敛的 AI 网络架构， 最 大支持 128K 集群规模组网，千卡到万卡平滑 演进 千亿稠密 / 万亿稀疏 多模态 更大数据量存储和读写 ( 模型参数、 CheckPoint …) 更复杂的模型及数据切分 更大规模 / 更复杂的组 网 网络控制器 18 Huawei Proprietary - Restricted Distribution AI 调 度 平 台 超长序列 NPU NPU

基于大数据的科学研究 26 云计算 • 云计算中的“云”主要用来强调计算泛 在性和分布性，实质上是分布式计算、 并行计算和网格计算等技术的发展。 • 将分布在各地的服务器群进行网联， 能够实现大规模计算能力、海量数据 处理和信息服务的需求。 27 云计算 创 新 • 学生通过电子书包 等终端随时随地享 受云端的各种学习 服务 云学习环境 • 保证学习数据的永 不丢失，为学习分

Cognita ：官网： https://cognita.truefoundry.com/ • 功能：模块化框架 ，提供定制化管道 ，用于构建可扩展且生 产就绪的 RAG 应用程序 ，适合企业大规模 AI 应用。 • 3. LLMWare ：官网： https://llmware.ai/ • 功能：提供统一框架构建基于 LLM 的应用 ，如 RAG 和代理， 包含 RAG Pipeline

架构在模型训练和推理时的并行处理能力更强，效率更高。 2. 参数规模大。大模型通常包含数千万、数亿甚至更多参数；巨大的参数规模使大模型能够处理更加复杂和多样的任务。 3. 强大的泛化能力。大模型通过在大规模数据集上进行训练，学习到了丰富的知识和特征表示，从而具有强大的泛化能力， 能够有效处理多种从未见过的数据或新任务，甚至能处理一些与训练数据截然不同的任务。这使得大模型能应用于多种任 务和场景，具有广泛的适用性。 迭代需求，是半导体行业面临的痛点问题。 1.4.4 半导体行业 加速集成 电路芯片 设计流程 晶圆缺陷 检测 随着制造工艺提升，集成电路芯片制造的工艺线宽不断缩小，这将带来更复杂和更大规模的电路设计，传统 EDA 设计流程在应对设计规则复杂度、功耗及热管理、信号完整性等方面面临一系列挑战。 将 AI 技术与 EDA 工具相结合，在电路设计阶段，AI 可以自动识别和优化电路拓扑结构，通过深度学习模型预测 纹、污染物、凸起，表面翘曲，切割瑕疵、晶体缺陷等。这些缺陷大多细微不易察觉，通常需要微米级甚至更小的 检测精度。人工检测效率低下，易出错，无法满足大规模生产的效率需求；传统的机器视觉检测算法，无法满足对 多种缺陷的检测需求。 采用大模型结合机器视觉成像技术，首先使用大规模无标注图像对大模型预训练，然后再针对晶圆缺陷检测任务， 在标注的晶圆缺陷图像数据集上进行微调，优化模型对微小缺陷的识别能力。最终经过优化的大模型，在晶圆缺陷