划痕、擦伤、气孔、毛刺、喷涂不到位、黑点等外观缺陷。缺陷的多样性、表面反光的干扰以及生产线上的实时检 测要求，使得效率和准确率低下且容易漏检的人工质检和容易受复杂环境光干扰的传统机器视觉检测方法无法胜 任。将 AI 视觉算法技术与机器视觉成像技术相结合，利用经过缺陷图像训练的深度学习模型识别工业相机捕获的 缺陷图像，满足终端检测节拍要求 24 秒/轮毂，提高检测精度和生产线效率。 08 01 工业人工智能 (AI) 检测 锂电池 质量检测 加速产品 的更新 换代 智能化 功能增强 消费电子产品对品质要求极高，过检指标和漏检指标严格，且产线速度快。很多产品缺陷种类复杂、缺陷细小、区 分度低，传统的人工检测和机器视觉方案，检出率低，速度慢，无法满足生产质量和高速产线的节拍要求。AI 技术 与机器视觉检测方案相结合，为这类难检缺陷提供有效解决方案。 以手机玻璃盖板为例，手机玻璃盖板在 多种。必须精准、高效地检出这些缺陷以保证产品质量，检测精 度一般要求达到 10μm，检测节拍根据盖板尺寸大小通常在 6 秒到 1 秒/件之间，甚至更快。 传统的人眼检测，不但无法达到微小缺陷的检测精度要求，而且人眼容易疲劳，存在效率低、误检漏检偏高等问题， 无法满足生产的精度和节拍要求。将深度学习算法与高精度成像系统相结合，更快速地识别出产品图像中的缺陷及 种类，满足生产线对检测精度和速度的要求。 锂电池的质量直接关乎电动

，但是“供养”他很贵。 什么是模型蒸馏？ “ 模型蒸馏”就是把大模型学到的本领， 用“浓缩”的方式教给小模型的过程， 在保证一定精度 的 同时， 大幅降低运算成本和硬件要求。 模型蒸馏 • 蒸馏是一种机器学习技术 ， 其中较小的模型（ “学生模型” ）被训练来模仿 较大、 预训练模型（ “教师模型” ） 的行为。 • 1. 数据蒸馏 在数据蒸馏中 ，教师模型生成合成数据或伪标签 署 1. GPU 要求 推荐 NVIDIA 显卡（ RTX 3090/4090/A100 等） 显存要求： ■ 7B 模型： 至少 16GB 显存 ■ 13B/20B 模型： 至少 24GB 显存 ■ 70B 模型： 需多卡并行（如 2xA100 ） 支持 CUDA 11.7+ 和 cuDNN 8.5+ 2. 系统要求 Linux （ Ubuntu u 下载 Ollama u 运行 Ollama u 运行 Ollama run deepseek-r1 O llama LM Studio 本地部署 • 前期准备： 确保设备满足一定硬件要求 ， 显卡需 GTX 1060 （ 6GB ） 及以上 ， 推荐 RTX3060 及以上； 内存 8GB 及以上 ， 推荐 16GB 及更高； C 盘剩余 20GB 空间 ， 建议 使用 NVMe

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 的专业 问题； （ 2 ）模型适应性优化： 通过微调 可 以调整模型的参数 ，使其更符合 特定 任务的要求 ，提高输出的准确 性和稳 定性。 模型微调和本地知识库 使用海量数据进行预训练得到的基础 大模型 ，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： 自的计算资源 ， 一个学校内可能存在多个小型计 算集群。 赛尔网络的一份报告显示 ，全国近 2000 所高等 学校中， 91.6% 的高校未建设校级算力平台。 这显然难以匹配大 模 型时代的要求 ，容易出现算力资源分散管理、 忙闲不 均、 共享不畅等问题 ，拖慢科研成果产出效率 大模型的技术栈复杂。 即使是目前广 受欢迎的 DeepSeek ， 在业界看来 ， 其落地门槛仍然很高 使用提示词需要注意一些技巧 ， 这样可以从大模型获得更加符合我们预期要求的结 果 简洁明确 示例驱动 考虑受众 明确角色 分解复杂任务 遵守规则 使用肯定性指令 自然语言回答 通用模型 n 需显式引导推理步骤（如通过“思 维链” 提示） ，否则可能跳过关键 逻辑。 n 依赖提示语补偿能力短板（如要求 分步思考、提供示例）。 n 提示语更简洁

技巧可让 AI 输出质 量提升 300%： ①四要素提问法 公式：身份+场景+目标+限制条件 -案例： ⚫ 职场：“作为跨境电商运营（身份），要优化亚马逊产品标题（场景），要求包含关 键词‘ergonomicofficechair’且字符≤200（限制），参考竞品 BestSeller 前十的标题 结构（目标）” ⚫ 教育：“高三学生（身份）复习导数压轴题（场景），需要 商业分析：“假设你是麦肯锡顾问，分析新能源汽车充电桩市场的三大风险点，用 SWOT 框架呈现” ⚫ 创意写作：“用鲁迅杂文风格，写一篇讽刺 AI 过度依赖现象的短文，结尾需反转升 华” ③思维链可视化 指令设计：要求展示推理过程（如“先分解条件再推导”） 应用场景： ⚫ -解数学题时自动展示公式推导步骤 ⚫ -分析商业案例时生成因果逻辑图 2.行业专用模板：拿来即用的生产力工具 4.专业术语滥用 错误：“用 MoE 架构优化输出”→普通人难以理解 修正：“让不同专家模块共同解决这个问题” 5.过度依赖 错误：直接使用 AI 生成的医学诊断建议 修正：要求“提供相似病例和检查建议，需医生复核” 4.高阶技巧：解锁 AI 的隐藏能力 ①数据直通车 操作流程： 1.粘贴 Excel 销售数据→输入“分析 Q4 各品类销售额占比”

DeepSeek R1 蒸馏模型 Huawei Proprietary - Restricted Distribution 关键性能 优化特性 24 参数面 用于智能集群分布式推理时参数交换，要求网络具备高吞吐低时延能力，部署高带宽的智能 无损 RoCE 网络，每台推理服务器 8 个 200GE ROCE 光口 样本面 用于访问存储区的高速大带宽互联的存储系统，推荐部署为 RoCE

rStar-Math, SoS 都可以用类似的思路来理解。 ➢ 本质上，STaR一类的方法是希望模型能够学习到MetaCoT, 即问题到答案映射 过程背后的深入规律 ➢ 但是对于问题的结构要求性高，对于复杂数学推理任务可能难以自我迭代 ➢ 难以融入 Rule-Based Reward for RL训练 ➢ PureRL加持下，业界的技术实践更多Focus on 直接利用RL激活基座模型的推理潜