10%”对产业链的 6 级影响 实战场景： ⚫ 医疗诊断：输入症状自动关联相似病例，生成检查建议（需医生复核） ⚫ 投资分析：对比财报数据→预测企业风险→生成可视化报告 ⚫ 学术研究：自动标注论文参考文献，检测实验数据矛盾点 模块 3：联网搜索——实时情报局 数据引擎： ⚫ 抓取最新政策文件（如半小时前发布的医保新规） ⚫ 追踪社交媒体热点（分析微博热搜背后的情绪图谱） 模式自动分步解析，错误点用红框标注 ②职场人：效率提升 300%的办公神器 ③创业者：零成本搭建专业团队 ⚫ 商业计划书：输入“智能家居赛道 BP 模板，包含市场规模、竞品矩阵、融资计划” →生成投资人青睐的文档框架 ⚫ 市场调研：输入“2025 年中国宠物食品消费趋势预测”→自动抓取电商平台数据生 成报告 ⚫ 法律风控：上传合伙协议→输入“检测股权分配风险点”→标注条款漏洞并提供修改 10 倍 ⚫ 记忆外延：个人知识库与 AI 记忆网络深度融合，实现“瞬间调取 20 年工作经验”的 能力 ⚫ 决策共生：AI 构建“平行推演空间”，在重大决策前模拟 100 种可能性并标注风险 路径 ②感知升维突破 ⚫ 多模态进化：2025 年将实现“五感互联”，例如通过气味传感器分析食品安全，震 动反馈识别机械故障 ⚫ 时空穿越能力：结合历史数据与预测模型，企业可“预览”三个月后的市场格局

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 检测任务上，最小能检出 0.1 微米级别的缺陷尺寸，检测精准度需高于 99 所有来自工业现场的数据都是 有用的，需要对数据进行清洁。如何从实际应用场景中采集或生成丰富且有价值的可用数据，是 AI 及工业大模型成功 落地应用的挑战之一。再次是数据的标注和处理，即便有了足够的数据，对这些数据进行标注和处理也在难度和工作 量方面面临极大挑战。最后是数据安全和隐私问题，数据是 AI 技术及工业大模型应用的基础，这些来自应用端的数 据，其中包含着技术、工艺机密信息或个人隐私 技术尤其是工业大模型的部署，要面对高昂的 训练成本和技术壁垒，这往往令中小企业望而却步。 工业大模型的应用不仅需要大量的资金投入，还需要 专业的人才支持。包括技术研发、算力资源投入、数 据采集与标注，以及市场推广与商业化扩展等方面都 需要专业的人才进行操作和管理。在技术壁垒方面， 数据处理难题、算力基础设施部署、商业落地的可靠 性等方面，都面临挑战。前期需求高昂的投入成本， 而项目的投入产出却难以清晰测量，也在阻碍了落地

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 从基础模型开始构建，完全依赖强化学习，而不使用人类专家标注的监督微调（SFT）； ➢ 随着训练步骤增加，模型逐渐展现出长文本推理及长链推理能力； ➢ 随着推理路径增长，模型表现出自我修复和启发式搜索的能力； 4 DeepSeek-R1 开创RL加持下强推理慢思考范式新边界 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。 ➢ 这种自主学习的方式，不仅节省了大量的标注成本； ➢ 更 基于过程监督的GRPO优势值估计 25 DeepSeek-R1 Takeaways 总结 Part II ➢ DS-R1 Zero 跳过监督微调SFT阶段，展现出大规模强化学习的潜力。这种自主学习的方式，不仅 节省了大量的标注成本，而且让模型更自由的探索解决问题的路径，而不是被预先设定的模式所 束缚。这也使得模型最终具备了更加强大的泛化能力和适应能力。 ➢ 为了充分释放 GRPO 的潜力并确保训练稳定性，DeepSeek

（商汤）等 3.4 大模型的分 类 通用大模型 L0 是指可以在多个领域和任务上通用 的大模型 。 它们利用大算力、使 用 海量的开放数据与具有巨量参 数的 深度学习算法，在大规模无 标注数 据上进行训练， 以寻找特 征并发现 规律 ，进而形成可“举一 反三” 的强 大泛化能力 ，可在不 进行微调或少 量微调的情况下完 成多场景任务 ， 相当于 AI 完成 了“通识教育” ，具备广泛的语言理解和生成 能力 ，但在特定任务上的表现往往 不 够精准。 解决方案： （ 1 ）模型微调；（ 2 ）本地知识 库 模型微调技术要点 （ 1 ）高质量的标注数据： 标注数 据 的质量直接影响微调的效果 ， 需 要确 保数据标注的准确性和一致性。 （ 2 ）合理的微调策略： 选择合适 的 微调算法和超参数 ，避免过拟合 或欠 拟合问题。 4.4 本地部署大模型方 案 在监督微调阶段 部分高级模型还会使用强化学习进行优化。 例如 ， ChatGPT 和 Claude 使用 人类 反馈 强化学习（ RLHF ） 让模型的回答更符合用户期望 ，更好地选择符合人类偏好的答案 数据准备成本高 需要收集、 整理和标注大量特定领域的数据 ，这是一个 耗 时费力的过程 4.4 本地部署大模型方 案 模型微调主要是指令微调 ，指令微调包括两个阶段： 监督微调和强化学 习 监督微调 强化学习 不足之处： n