传统的质量检测是在某些间隔 “离线” 进行的 — 通常是在两个或更多添加步骤完成后。例如，在晶圆研磨和膜应用后检查一 定比例的晶圆。但也因此，离线检测带来了几个挑战： • 高风险产生废品和缺陷逃逸。在对一个晶圆批次进行检查时，可能已经处理了多达九个更多的批次。如果机器或过程错误 引入了缺陷，很可能会损坏更多的晶圆，导致高废品和低质量产品的风险。 • 检测受阻。因为在离线检查之前会发生多个添加过程 晶圆研磨过程中的多种类型缺陷，包括凹痕、 各种大小的划痕、研磨痕迹、污点、裂纹、气泡、晶圆偏移和安装偏移。与离线检查相比，使用在线检查可以更早地检测到 多达 50% 的晶圆研磨问题。当警报响起时，可以对晶圆进行返工，这避免了下游过程中的整片晶圆分层。更重要的是，该 解决方案超越了离线计量所能实现的：在问题发生时检测偏差，检测过程缺陷并迅速关闭工具，实现了检查框架清洁度和内 环的新能力。 帮助工厂实现业务效益： 帮助工厂实现业务效益： • 避免废品，每年为工厂节省高达 200 万美元。 • 降低了业务风险。 • 更高的产品质量。 • 使工程师免于繁琐的手动离线检查。 49 03 成功案例 3.2 美的楼宇科技美控： 楼宇 AI 节能解决方案 背景与挑战 解决方案 随着全球对可持续发展的呼声日益高涨，建筑行业正面临前所未有的转型挑战。据《2023 中国建筑与城市基础设施碳排放

iOS：AppStore 搜索"DeepSeek"（蓝色鲸鱼 LOGO） ⚫ 安卓：应用商店搜索下载或官网直接获取安装包 核心功能： ⚫ 语音输入：长按麦克风图标口述问题（适合通勤场景） ⚫ 离线缓存：断网时可查看历史对话记录 避坑指南：若遇安装失败，检查存储空间是否充足，或关闭杀毒软件后重试 ③微信小程序（轻量化入口） 获取路径： 1.微信搜索"DeepSeek"公众号

迁移工作量大：建立工具链完成对昇腾的精度 对比和调优。 模型迁移：工具链进一步升级，提升 GPU 到昇腾快速迁移能力 迁移分析工具 模型支持度分析和修改建议 模型支持度评估 离线模型 — — 分析报告 差异三：基础能力差异导致支持完备度不同 基础库、加速库、三方库等支持情况不同 跨架构时需通过引入、适配第三方库，或者开 发基于自身架构的对等库来解决库的差异问题

训练不仅能提升数学任务的性能，还能对其他领域和语言产生正向影响，展现了其 广泛的适用性。此外，该方法具有良好的泛化性和鲁棒性，在通用基础任务和对齐评估中取得了相当或更优的表现。 ➢ 强化学习的规模化提升了效率：离线强化学习算法（DPO）和在线强化学习算法（PPO）均能有效增强模型性能。 ➢ Long-COT 强化多模态模型：将 Long-COT 方法应用于多模态大语言模型（MLLMs）可以显著提升其性能，说明慢思考

A I + 学科 ”垂直领域解 决方案 ，为学科交叉创新发展提供有力支撑 4.2 国产 AI 大模型 DeepSeek 走入高 校 本地部署 大模型 4.3 为什么需要本地部署大模 型 离线与高效使用 成本与资源优化 数据隐私与安全性 避免使用限制 定制化与灵活性 模型微调技术特点 （ 1 ）领域针对性强： 经过微调的 模 型在特定领域的表现会有显著提 升 ， 能够更好地理解和处理该领域