传统RLHF背景下，SFT通常被认为是不可或缺的一步，其逻辑先用大量人工标注的数据来让模型 初步掌握某种能力（如对话或者语言风格），然后再用RL来进一步优化性能 ➢ DeepSeek-R1 系列跳过对于大规模人工标注数据的依赖 ➢ 无需构建和维护高质量的SFT数据集，而是让模型直接在RL环境中进行探索 ➢ 类比：初学者在没有老师指导的情况下，通过不断的尝试和错误来掌握一门新的技能。 ➢ 这种 在14.8T 高质量Token上训练）（基座模型知识帮助突破推理上界，也有一些 工作利用小模型复现 Aha Moment 得益于大规模RL和高质量推理数据）； ➢ 大规模强化学习加持：GRPO 对于强化学习训练的优化； ➢ 规则化奖励：绕过奖励攻陷问题，但是得益于推理问题可以进行自动化标记和验证 （Self-Automated Verification and Annotation)，这是与一般聊天和写作请求任务不同的； 表现更为自然， 适应性更为广泛。 ➢ 全领域RL RL for all Scenarios ➢ 进一步提升除了reasoning 能力之外帮助性和安全性 ➢ 对于reasoning data, 可以用基于规则的奖励 ➢ 对于general data, 可以用奖励模型来建模人类偏好意图 ➢ 成效：最终版本的 R1 不仅在推理和对话能力上达到了高水平， 还具备更安全的交互性能。 拒绝采样和全领域SFT

过模式识别算法检测数据中的异常，预测可能出现的 故障或发现故障甚至给出修复建议，便于运维人员及 时实施预测性维护或故障修复，减少停机时间，提高 设备的可靠性和生产效率。 • 质量管理：产品缺陷检测是质量管理的重要一环，尤 其是对于金属等高反光产品、薄膜产品的划痕、裂 纹、凹坑、气孔、污染等非常难检出的外观缺陷，利 用传统视觉算法，对工业相机采集到的图像经过预处 理，基于图像分割等深度学习模型，高效且较为准确 地检出缺陷，为传统的视觉检测技术赋予高度智能 01 工业人工智能 (AI) 行业观察 具体来看，工业大模型主要通过以下四种核心能力，为工业应用赋能： 1.3.3 工业大模型的应用范畴 第一，语言理解与知识问答能力。 利用大模型对于自然语言的理解能力，能理解和识 别用户意图，使员工能通过自然语言就能与机器进 行交互；另外通过为大模型外挂知识库，增强知识 检索能力，可以提升知识获取和共享效率。这些能 力在工业领域可普遍应用于智能客服、知识管理、 技术向更加复杂的工业大模型过渡。 传统 AI 技术则主要基于规则和知识库实现智能工作，它通常使用神经网络结构，通过大量数据进行训练，来获得较好的性 能。传统 AI 具有较强的实时性，能在特定场景下快速解决问题。但是，对于更加复杂的多样化应用场景，比如需要处理文 本、图像、音频等多模态数据时，传统 AI 的落地还是有差距；而大模型凭借强大的自学习能力和泛化能力，以及与具体行 业数据的结合调优，优势明显。 大模型的出现，将

专业工程师团队年成本约 30-50 万元 4.4 本地部署大模型方 案 高校科研基础设施不足 ，算力短 缺且资源碎片化问题依然突出 DeepSeek 虽然大幅降低了算力消耗 ，但对于尖端的 AI for Science ，仍需大量算力。 过去 ，传统的高校算力 建 设方式 ，往往是不同院系、 研究小组 ， 自行采购和 管理各 自的计算资源 ， 一个学校内可能存在多个小型计 ， 如人脸识别、 车 牌 识别等。 这项技术对于安防监控、 智能搜索、 自动驾驶等领域的发展至关重要 通过对图像进行增强处理 ， AIGC 可以增加图像的饱满感和增强细节 ， 使图像质量得到提升。 这 在提升照片的视觉效果、 改善图像的清晰度和细节方面非常有用 AIGC 还可以修复损坏的图像 ， 如去除噪声、 填充缺失的部分等。 这项技术对于保护和恢复古 老 的艺术作品、 修复损坏的照片等具有重要意义 ，实现 RAG 的功能。对于一些数据量较小、业务场景相对简单的企业来说 ， RAG 是一个性价比很高的选择 AI Agent 的部署则需要更高的技术门槛和成本。 它不仅需要强大的大语言模型支持 ，还需要构建复杂的智能规划和决策系统 ，以及与各种 工具和系统的集成。此外 ， AI Agent 还需要不断地进行训练和优化 ， 以提高其智能水平和适应性。 因此 ，对于一些中小企业来说 ， A

Client OS / App Image Client OS / App Image  在一个刀片上（每个刀片上具有 10-12 个桌 面图像）支持多种操作系统  对于新的桌面体验来讲，用户需要最小的适 应性。  虚拟桌面架构  通过分享应用环境，每个刀片 支持 50-100 个用户  需要用户适应新的桌面体验  终端服务  基于 1:1 理念，每位学习者拥有一台