更连贯的回答 可迁移性高 学习到的知识和能力可以在不同 的任务和领域中迁移和应用 。 这 意味着一次训练就可以将模 型应 用于多种任务，无需重新 训练 语言生成能力 大模型可以生成更自然 、更流 利 的语言，减少了生成输出时 呈现 的错误或令人困惑的问题 3.1 大模型的概 念 3.2 大模型的发展历 程 大模型发展历经三个阶段 ，分别是萌芽期、 沉淀期和爆发 期 3.2 处 理 （ Nat u ral La ng uage Processing ， NLP ）领域中的一类大 模型， 通常 用于处理文本数据和理解自然语言 。 这类大模型 的主要特点是它们在大规模语料库上 进行了训练， 以学习自然语言的各种语法 、语义和语境规则 。 代表性产品包括 GPT 系列 （ OpenA I ） 、 Bard （ Google ） 、 DeepSeek ，这种架构是一种专门用于自然语言处理的“编码 - 解码器”架构。 在训练过程中 ，大模 型将输入的单词以向量的形式传递给神经网络 ，然后通过网络的编码解码以及自注意力机制 ，建立起每个单词之间联系的 权 重。大模型的核心能力在于将输入的每句话中的每个单词与已经编码在模型中的单词进行相关性的计算 ，并把相关性又 编码 叠加在每个单词中。 这样 ，大模型能够更好地理解和生成自然文本 ， 同时还能够表现出一定的逻辑思维和推理能力

Rule-Based Reward 推理为中心的大规模强化学习 Large-Scale Reasoning-Oriented RL 大规模推理为中心的强化学习，提升模型数学代码能力 RL驱动下自然涌现长文本推理能力 9 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 ➢ 奖励建模：基于规则的奖励 king response length 逐 渐增加（对应着 test-time computation increasing） ➢ Aha moment: 自然学会增加更多的推理时间，反思评价先前步骤、探索其他方法 RL驱动下自然涌现 Long-CoT 能力 “Aha”Moment 11 DeepSeek-R1 技术剖析：DeepSeek-R1 Zero DeepSeek-R1 Zero的关键启示 利用批判模型融 合生成式奖励 ➢ 200k 通用任务 (writing \ role-playing \ general-purpose) ➢ 成效：使模型在推理能力不减的前提下，语言表现更为自然， 适应性更为广泛。 ➢ 全领域RL RL for all Scenarios ➢ 进一步提升除了reasoning 能力之外帮助性和安全性 ➢ 对于reasoning data, 可以用基于规则的奖励

产效率、优化资源配置、增强质量控制和实现生产过程 的自动化与智能化。具体包括： • 设备管理： 在设备入库管理方面，AI 通过深度学习识别设备上的 条形码、二维码或设备特征，自动读取设备信息如型 号、序列号等；AI 的自然语言处理功能，可以自动 提取设备手册或标签上的文字信息，获取设备规格、 性能指标等关键参数。这些都能显著提升设备入库管 理的效率和准确性。 在设备运维管理方面，利用机器学习算法，对部署在 (AI) 行业观察 大模型（Large Model，也称基座模型，即 Foundation Model），是指具有大量参数和复杂结构的机器学习模型，能够处 理海量数据、完成各种复杂的任务，如自然语言处理、计算机视觉、语音识别等。大模型通常包括大语言模型 (LLM)、视觉 大模型 (CV)、多模态大模型等各种类型。 大模型通过训练海量数据来学习复杂的模式和特征，具有更强大的泛化能力，可以对未见过的数据做出准确的预测，能够处 (AI) 行业观察 具体来看，工业大模型主要通过以下四种核心能力，为工业应用赋能： 1.3.3 工业大模型的应用范畴 第一，语言理解与知识问答能力。 利用大模型对于自然语言的理解能力，能理解和识 别用户意图，使员工能通过自然语言就能与机器进 行交互；另外通过为大模型外挂知识库，增强知识 检索能力，可以提升知识获取和共享效率。这些能 力在工业领域可普遍应用于智能客服、知识管理、 教学与培训、工业文档检索与统计等场景中，大幅

DeepSeek 应用与部 署 听听真我数字人讲 DeepSeek AIGC 发展历 程 AIGC 2014-2024 自然语言处理与语言模型 大语言模型 LLM ： 2018 — 2024 DeepSeek 介 绍 DeepSeek ： 2023 — DeepSeek ： 技术创新——模型架构 | V2 （ Multi-Head Latent Attention ） ='deepseek-chat' 即可调用 DeepSeek-V3 model ='deepseek-reasoner' ，即可调用 DeepSeek-R1 。 Token 用量计算 • token 是模型用来表示自然语言文本的基本单位 ， 也是我们的计费单元 ， 可 以直观的理解为“字 ”或“词 ” ； 通常 1 个中文词语、 1 个英文单词、 1 个数字 或 1 个符号计为 1 个 token 。 • ，支持动态数据摄取 和 自定义索引 ，可与多种预训练语言模型配合使用。 7. txtai GitHub 主页： https://github.com/neuml/txtai 功能：一体化嵌入数据库 ，提供自然语言搜索、可自定义管 道 ，具备轻量级高效的特点 ，适合快速设置和有强大搜索需 求的项目。 2025 七款 RAG • • • • • • • • • • 1.

支持任何常用终端设备无缝 连接到各种教育信息系统， 无缝获取学习资源与服务 联接社群 学习者的多个学习终 端之间实现数据同步、 无缝切换，学习过程 实现无缝迁移 具体 体现 16 全向交 互 • 自然交互 • 深度互动 • 过程记录 17 智能管 控 教育环境、资源、管理与服务的智能管理是智慧教 育的核心特征。 智能控制 智能诊断 智能分析 智能调节 智能调度 ( 课堂 ) 智慧教学过程 智慧学习 智慧学习是在智慧环境中开展的完全以学习者为中心的学习活动。 基本特征 培养技能 认知 创造 内省 交际 个性化 高效率 沉浸性 持续性 自然性 基本特征 获取自己所需的资源、信息和 服务 享受个性化定制的资源和服务 发掘自己的兴趣爱好 挖掘自己的潜能 学习过程更加轻松高效 学习者 34 智 慧 慧 学 习 框 架 泛在网络

效率与成本双突破 NLP 全面普及 2015 Resnet 效率与成本双突破 CV 全面普及 AI 模型算法： DeepSeek 国家战略清晰 技术创新依赖资本投入 NLP 自然语言处理 双轮驱动互锁 战略坚定 + 技术创新 CV 计算机视觉 3 Huawei Proprietary - Restricted Distribution 下一代 Huawei Proprietary - Restricted Distribution 15 昇腾 AI 基础软硬件架构全面创新，使能行业场景化应用 行业场景化应用 视图分析、检索聚类、搜索推荐、自然语言处理、智能语音、自动驾驶 AI 计算框架 昇思 MindSpore PyTorch / TensorFlow / Caffe...... 异构计算架构 CANN Atlas 及昇腾伙伴系列硬件 工作站，本地 办公应用 学生 / 开发者实 践 硅基流动一体机 伙伴 元景一体机 25Q1 25Q1 昇腾与 PyTorch 开源社区紧密合作， 共促 AI 生态创新发展 华为在计算机视觉、自然语言处理、语音识别等领域进行了广 泛的研究，并且在大模型领域也积累了成熟的研究经验。我们 相信 PyTorch 基金会将从他们对我们的成员和生态系统的支 持 中受益匪浅。 —— PyTorch