10 DeepSeek-R1 技术剖析：DeepSeek-R1 Zero DeepSeek-R1 Zero: 无需监督微调SFT，纯强化学习驱动的强推理模型 ➢ 推理为中心大规模强化学习：组相对策略优化（GRPO）+ 瞄准 Reasoning 推理任务 ➢ 自我迭代提升Self-Evolution：随着训练步数的增长，模型的thinking response length 逐 渐增加（对应着 了传统策略优化算法中需要使用与策略模型大小相同的评论模型。 ➢ 大幅度降低 RL 训练的计算成本，同时还能保证模型能够有效地学习到策略。 ➢ 具体来说，在传统的 RL 训练中，评论模型需要与策略模型具有相同的大小，增加计算资源的 消耗。而 GRPO 算法利用群组内的相对信息来估计基线，避免了使用Critic Model的需要。 ➢ 此外，GRPO 算法还引入了一些额外的优化策略(奖励缩放和策略裁剪)，提升训练的稳定性。 和策略裁剪)，提升训练的稳定性。 ➢ From PPO to GRPO: ➢ PPO 作为 Actor-Critic 算法被广泛运用于 Post-Training, 核心目标是最大化下面的目标函数 ➢ 其中, 𝜋𝜃和 𝜋𝜃𝑜𝑙𝑑 分别表示当前策略模型和旧策略模型，q, o是从问题数据集和旧策略 𝜋𝜃𝑜𝑙𝑑中 采样的输入和输出, 𝐴𝑡是基于广义优势估计（GAE）计算的优势值，依赖于奖励序列

5B，手机都能运行专业级 AI 5.国际影响：技术出海的东方智慧 ⚫ 在东南亚、中东等地区，DeepSeek 成为数智主权建设工具，帮助发展中国家摆脱 对西方技术的依赖 ⚫ 开源策略吸引全球 20 万开发者，形成中美双极化的 AI 生态格局 二、核心能力图谱 1.技术特性：AI 界的“六边形战士” DeepSeek 之所以成为现象级 AI 工具，关键在于它在效率、成本、能力三大维度实现 ②核心功能切换 ③文件交互技巧 支持格式：PDF（需文字可复制）、Word、Excel、图片（JPG/PNG） 高阶用法： ⚫ 文档对比：上传 A/B 两份文件，输入“分析市场策略差异” ⚫ 数据提取：从实验报告 PDF 中自动整理温度数据表格 避坑指南：超过 50 页的长文档建议拆分处理，避免解析超时 3.常见问题速查 Q1：为什么联网搜索时断时续？ Claude 整理数据图表” 效率提升：全流程时间缩短 70% ③批判性训练 ⚫ 逆向推演：“假设我的奶茶店三个月后倒闭，请逆向分析失败原因链” ⚫ 跨界迁移：“参考迪士尼排队管理策略，优化咖啡店高峰时段服务流程” 5.官方推荐模板（简化版） 1.代码优化： “下面这段 Python 代码运行缓慢，请解释问题并提供两种优化方案” 2.内容润色： “将这段

• 每个 MTP 模块共享嵌入层和输出头 • 每个 MTP 模块独占一个 Transformer Block 和一个投影矩阵 • 多个 MTP 模块串联保持完整的因果关系链 ② 训练策略 • 每个 MTP 模块输出预测 token 的概率分布 • 每个 MTP 模块计算对应的交叉熵损失函数 • 多个 MTP 模块的损失函数加权平均得到最终训练目标 ③ 关键作用 FP16/BF16 1 前 1 后单流水 需要裁判模型评估 1 次 1token 预测 MHA/GQA 分组共享减少缓存 GPT4 16 专家选 2 FP8 混合精度 双向流水并行 新老策略组队评估 1 次多 Token 预 测 MLA 低秩压缩减少缓存 DeepSeekMoE 更稀疏 256 选 8+1 训练精度 PP 并行算法 强化学习 Attention MOE Token 结合场景差异优化 运行时 NV Runtime KS 直 接 发 起 Kernel Launch GE 图引擎 MT 、 KS 自定义图融合 Pattern 类库 / 模板 XF 自定义切分策略 集合通信库 TX 、 MT hash 算法自定义调优 通用编程 KS 自定义算子开发 毕昇编译器 | Runtime 运行时 开放硬件资源接口，满足开发者对模型开发、系统优化、三方生态对接等各场景需求

Optimization GRPO ： Group Relative Policy Optimization 强化学习让智能体（ Agent ）在环境 （ Environment ）中不断尝试、学习 ，并优化自己 的策略（ Policy ） ，最终获得最大化的奖励 （ Reward ）。 DeepSeek ： 技术创新—推理模型 | RL DeepSeek 应用场 景 DeepSeek 智能客服与消费者互动 - 新品研发与口味预测 - 施工进度管理与优化 - 材料采购与供应链优化 - 客户需求分析与个性化服务 - 智能客服与售后支持 - 装修质量检测与问题预测 - 市场趋势分析与营销策略优化 DeepSeek 赋能各行业的应用场 景 • 2. DeepSeek 赋能房产装 修 - 智能设计与方案生成 （ VR ） 与增强现实 （ AR ） - 虚拟现实 体验 xu •

推动 制造业向更高效、智能的方向发展。 经营管理优化 • 库存管理：利用深度学习和大数据分析，分析历史销 售数据、季节性变化、市场趋势等因素，预测库存 需求、实时监控库存水平、自动调整补货策略、精准 管理库存品类、优化库存地域布局等，提高库存周 转率，降低库存成本。AI 聊天机器人可以随时了解 ERP 库存系统、跟踪订单和其他更新。 • 物流配送与运输管理：机器人在深度学习算法和 (AI) 行业观察 新材料的 快速筛选 加速设计 锂电池未来的技术核心竞争点在于材料。快速筛选出高能效的材料，是掌握竞争优势的关键。大模型通过高通量计 算与数据库构建、分子生成模型和高通量筛选策略等步骤，能从数百万种材料中，快速筛选出具有高能效潜力的材 料，缩短新材料的发现周期。 高效能材料的发现，直接关系着电池的能量密度、性能表现、使用寿命、安全性和成本等关键指标。电池企业正在 材料筛选及研发上积极探索 错的时间，加速了设计迭代过程。在布局布线阶段，优化布局布线是集成电路设计中最为耗时的步骤之一，涉及到 芯片上数百万甚至数十亿个元器件的物理位置和连接。AI 技术可以在此阶段通过强化学习等方法，自动学习最优 的布局策略，实现快速而高效的布局布线，同时优化信号完整性、功耗和热管理等关键指标。 半导体晶圆制造过程极为复杂、精密，任何微小缺陷都可能影响芯片性能。晶圆中常见的缺陷包括表面的划痕、裂 纹、污染物、凸起，

可行性分析：国内 Al 人才没问题 ■ 4, 用训练的 GPU 给客户提供高质量模型服务 ■ 可行性分析：国内做工业化低成本有绝对优势 国内人工智能的发展模式、可行性分析 美国限制中国 AI 发展的策略 Y ■ 国内人工智能商业模式 ( 循环以下四步 ) ■ 1, 国内融资 ( 亿美金 ) 可行性分析：资金没问题，尤其优质生产力领域 ■ 3 , 用 GPU 训练性能领先的大模型 ■

）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 ，模型会学习一个 指令 - 响应（ Instruction-Response n 无需逐步指导 ，模型自动生成结构 化推理过程（若强行拆解步骤 ， 反 而可能限制其能力）。 5.1.5 AIGC 大模型的提示词 推理模型 提示词之道： 通用大模型与推理大模型在提示词策略方面也有不同侧重与技 巧 5.2 文本类 AIGC 应用实 践 进入百度官网访问 DeepSeek 保证正常快速使 用 步骤 1 ： 登录 DeepSeek 平台。在浏览器地址栏 中 输入“ 实时调整教学节奏 n 实验智能体： VR+ 数字孪生模拟高危实验操作 服务场景 n 心理咨询智能体： 通过微表情识别学生心理状态 n 就业指导智能体： 分析百万岗位数据生成个性化 求职策略 管理场景 n 招生智能体： A I 面试官评估考生综合素质 n 行政智能体： 自动处理盖章、 证明开具、 报销等 流程 6. 基于大模型的智能体 智能体在高校的应用场景

智慧课堂：促进学生成功的新智能 在校学生的绩效数据增长非常快 46 智慧体现在什么地方？ 将学生的绩效数据集成在一起，以更好 支撑对学生学习过程的理解。 了解学生参与习惯，实现对学生施加具 有针对性的干预策略。 智慧教育结果 掌握学生每年的进步情况 早期诊断学生学习中遇到的困难，并施 加补救措施。 矩阵 仪表盘 学习分析 管理报告 学生信息系统 学生管理系统 财政系统 人力资源