Preference （嵌入偏好）：使用 AnythingLLM Embedder 嵌入工具 ，文档文本会在 AnythingLLM 的 实例上私密嵌入 ，文本数据的处理和转换在本地进行 ，不会泄露给第三方。 • Vector Database （向 量数据库）：使用 LanceDB 作为向量数据库， 向量和文档文本都存储在 AnythingLLM 实例上 ，进一步确保数据的私密性和安全性。

工厂质检员用 AR 眼镜识别 0.01mm 级零件缺陷 ③分布式群体智能 ⚫ 区块链+AI：建立去中心化训练网络，数据贡献者可获得智能代币 ⚫ 联邦学习突破：医院间共享医疗模型但不泄露患者隐私 案例实证： 10 万部手机联合训练出地震预警模型，准确率超专业设备 2.产业融合：重塑万亿级市场格局 DeepSeek 将成为“产业操作系统”，催生三大新兴经济形态：

https://arxiv.org/abs/2406.06144 审计对齐 Deliberative Alignment Challenges: (1) 当前的大型语言模型（LLMs）容易被诱导泄露有害内容；(2) 拒绝合法请 求（过度拒绝）；(3) 仍然容易受到越狱攻击。 原因： ➢ LLMs 必须使用固定的计算资源即时响应用户请求； ➢ 当前的对齐方法（如SFT和RLHF）鼓励LL

所以实时 性可以更好 减少模型幻觉 由于提问结合了业务知识 ，所以减少了模型的幻觉， 即减少了模型的胡说八道 保护数据隐私 由于日常的业务知识是保存到本地的 ， 所以减少 信 息泄露的风险 无需重新训练 不用重新训练模型 ，微调模型降低了成 本 4.4 本地部署大模型方 案 n 本地知识库的优点 步骤 安 装 Ollama 下载 DeepSeek R1 运行 DeepSeek