Deepseek R1 Deepseek r1 鞅的证 明 Deepseek r1 Roy 安全准则组合模型推 理 Deepseek r1 推理玻尿酸配 方 DeepSeek 提示词工 程 提示词工程 Deepseek 十类提示 词 • 1. 内容生成类 ：文本生成、代码生成、创 意生成和数据模拟。 • 2. 信息处理类 ：文本摘要、信息抽取、 情感分析和多语言翻译。 z0sI0urY 邀请链接： https://cloud.siliconflow.cn/i/z0sI0urY 通过创建 API key 调 用 模型微调工程 u 对话模型微调 u 生图模型微调 华为云模型微调 老师模型 模型蒸馏工程 DeepSeek ： 推理模型 | 推理能力 蒸馏 DeepSeek 蒸馏模 型 学生模型 小模型：相当于一枚小学生 ，知识面非常有限 ，但是胜在 项 文本分割 RAG 数据库工 程 RAG 中的 Embedding 模 型 Embedding 模型贯穿 RAG 流程多 环节 Cherry LM+DeepSeek API 大模型智能体工程 五大 AI Agent 多智能体开发框 架 微软 Magentic-One Git hub 地址： https://github.com/micr osoft/autogen/tree/

AI 芯片： NV 、 AMD • DS 对强化学习的创新使用， 可以让大模型便捷的获 得 通用性 + 专用性， 可以满足各应用场景需求 • DS 对通过从模型结构到训推全流程的极致工程优化， 大幅提升 AI 的计算效率， 提升模型落地经济性 • 中国 AI 公司首次以关键创新贡献者的身份加入到全 球 AI 竞争中，冲击美国 AI 霸权 • 打破 NV+OpenAI 推理加速：预加载，动态批处理等 模型、数据、工具链、部署全开源 蒸馏技术使能第三方模型性能 DeepSeek V3 ：实现极致性能，稀疏 MOE 提质 降本 技术创新 硬件级、算法级、架构级、工程级、开 源生态 5 大技术创新，轰动全球 低成本 绕过 CUDA 挖掘 FP8 硬件潜力， MOE 和 MLA 技术实现不到 10% 的 成本方案 ~150M$ 5.57M$ DeepSeek–V3 DeepSeek–V3 训 练成本 Llama3.1-405B 训练 成本 DeepSeek-R1 推理成本仅为 OpenAI o1 的 3% 算法革命 架构创新 工程奇迹 开源生态 4 Huawei Proprietary - Restricted Distribution DeepSeek R1: 在 Reasoning 任务达到了世界水平（

无法识别内容？ 排查步骤： 1.检查文件是否受损（重新保存后上传） 2.确认图片清晰度（建议 300dpi 以上） 3.尝试用“请总结这份文档的三个核心要点”等明确指令 四、高效提示词工程 1.黄金提问法则：像指挥特种兵一样精准 DeepSeek 的提示词设计遵循“目标导向+场景适配”原则，掌握以下技巧可让 AI 输出质 量提升 300%： ①四要素提问法 公式：身份+场景+目标+限制条件 社会影响：重新定义工作边界 DeepSeek 的普及正在引发结构性变革： ①职业重构 ⚫ 新兴岗位：AI 训练师（年薪 50 万+）、智能流程设计师、数字资产管理员 ⚫ 技能升级：提示词工程师认证考试报考人数突破百万 ②教育革命 ⚫ 教学模式：教师转型为“AI 协奏者”，聚焦个性化辅导与创造力培养 ⚫ 考试改革：部分省份允许携带 AI 助手参加职业资格考试 非洲初创团队基于开源模型开发农业咨询 AI，成本仅为 GPT-4 方案的 1/20 4.伦理与挑战 在享受技术红利的同时需警惕风险： ①数字鸿沟 ⚫ 技术垄断：掌握提示词工程的人群收入差距扩大 3 倍 ⚫ 解决方案：政府推出“全民 AI 素养提升计划”，覆盖 5000 万弱势群体 ②职业替代 ⚫ 高危岗位：基础文案/客服/数据分析岗位替代率达 47%

厦门大学 林子雨 副教授 国 内 高 校 大 数 据 教 学 的 重 要 贡 献 者 团队负责人 ：林子雨 副教授 年轻力量： 核心成员全部 46 周岁以下 结构合理： 教学型、 科研型、 实验工程师 专注专业： 从 2013 年至今 ， 11 年专注于大数据教学 团队特点： 眼光前瞻、 紧跟技术、 创新实干、 执行力 强 影响力高： 多项指标在国内高校大数据教学领域领 先 • 教材数量 ，人们开始尝试通过计算机程序来模拟人类的思维 和 行为。 在这个背景下 ， 一些杰出的科学家和工程师们开始研究如何使计算机具备更高级的功能 1956 年 8 月 ，在美国达特茅斯学院举办的人工智能夏季研讨会 ，是人工智能领域具有里程碑意义的一次重要会议。 这次会 议汇 聚了众多杰出的科学家和工程师 ，他们共同探讨和研究人工智能的发展和应用前景 这次会议的主题围绕着人工智能的定义、 研究方法和应用场景展开。 ，熙熙攘攘的人群目光都聚焦在跃动的彩 龙身上， 整个环境的喜庆氛围仿佛令人身临其境 3.6.1 国外的大模型产 品 n OpenAI o3 2024 年 12 月 20 日 ， OpenAI 发布推理模型 o3 ，无论在软件工程、 编写代码 ，还是竞赛数学、 掌握人类博士级别的自 然科学 知识能力方面 ， o3 都达到了很高的水平 3.6.1 国外的大模型产 品 大模型 图标 指标排名 DeepSeek 能力测评第一

本特征的同时，具备在各个工业领域及工 业各环节进行应用的能力，或在工业装备、软件等融合中赋能的模型。 相较于工业专用小模型而言，工业大模型泛化性强，可以单模型应对多任务，更适合长尾落地。另外，从工程层面来讲，工 业大模型的开发成本及维护成本，低于工业专用小模型。 1.3.2 工业大模型 07 01 工业人工智能 (AI) 行业观察 汽车制造作为制造业皇冠上的明珠，也是 AI 或 NPU 等加速计算硬件提出了极高的要求。 第四，模型应用准确性问题。 工业大模型在实际应用中的准确度尚不尽人意。目前 大模型比较擅长知识问答、文档生成、数据分析等场 景应用，但在面向实际工程的代码生成能力仍有很大 提升空间，尤其在实用算法、科学计算和数据结构等 领域能力偏弱。另外，针对缺陷样本极少的工业质检 应用场景，工业大模型基于真实缺陷图生成仿真缺陷 图的能力，目前在准确性方面依然有待提升。 微米长，找到缺陷就像在足球场上找到一粒米。 • 必须在有限的空间内运行，不干扰研磨工具的操作；且不需要对研磨工具进行任何修改，能够与研磨工具通信（例如停止 其操作）。 在保证质量的同时，随着产量加大，缺陷检测工作将需要增加大量的工程资源；即便如此也依然可能存在无法跟上生产速度 的问题。此外，因为所有新一代的英特尔产品都在向高级封装转型，1 个单一的缺陷可能会导致大量废品。不仅如此，在微 小的产品上，电路空间非常有限；一个逃

创新学习实验 室” ，让学生在实践操作中开展创客式学习，培 养学生创新能力。  S 学习实验室 （ 科学 Science ）  T 学习实验室 （ 技术 Technology ）  E 学习实验室 （工程 Engineering ）  A 学习实验室 （艺术 Arts ）  M 学习实验室（ 数学 Mathematics ） 正在建设中…… + Learning Laboratory Learning

➢ 低成本高质量语言模型边界的探索，扩展的具体方法和侧重点改变：最初是模型规模， 然后是数据集规模，现在是推理时的计算资源和合成数据； ➢ 垂直领域和横向拓展：采用"API+本地化知识库"或"提示工程+检索增强"的混合方案， 通过Prompt Engineering和RAG等技术实现业务场景的快速适配与轻量定制，同时建立完 善的运维合规体系，确保数据处理全流程的安全性与合法性。 ➢ 资本市场 Faking 未来技术方向展望: 形式化验证 ➢ 形式化验证起源于数学的形式化证明，例如 Lean ➢ 数学形式化的目的是提供一个完全客观和可验证的证明过程 ➢ 形式化具备消除模型幻觉的潜力，类似还有软件工程相关代码的形式化证明 ➢ 与此同时，安全价值的监管具有多元性: 人类的安全价值观具有多样性， 内建价值冲突 \ 单智能体系统下 的安全，并不保证多智能体系统安全 \AI系统伪装已被“安全对齐”，行为欺骗监管