理 技 术 特 征 情景感知 无缝连接 可视化 按需推送 智慧 教育 核心 特征 全向交互 智能管控 12 情境感知 情境感知是智慧教育最基础的功能特征，依据情 境感知数据自适应地为用户提供推送式服务。 13 内在 个人学习状态感知内容 外在学习环境感知内容 感知学习者的专业知识背景； 感知学习者的学习状态，如 焦虑、烦躁、开心等； 感知学习者的知识背景、知 10-12 个桌 面图像）支持多种操作系统  对于新的桌面体验来讲，用户需要最小的适 应性。  虚拟桌面架构  通过分享应用环境，每个刀片 支持 50-100 个用户  需要用户适应新的桌面体验  终端服务  基于 1:1 理念，每位学习者拥有一台 PC 或者服务器  桌面超薄式设备  流操作形态和应用 Linux 或者 Windows 虚拟桌面架构 e:  低投入，高产出  使用简单，师生能够快速适应新环境  小步子逐步实施，保证教育生态平衡发展 互动型未来教室  构建基于一对一的教学环境，学习者能够有序开展小组合作 学习、项目学习等多样互动的学习方式。教师可基于教学环 境开展深度互动教学，引导学习者创造性学习、体验做中学 的乐趣。  优势 教学内容富媒体呈现 创设适应性虚拟学习环境 个性化学习环境 大数据学习分析

务和场景，具有广泛的适用性。 4. 灵活性和可定制性。大模型通常具有灵活的架构和可定制的参数，可以根据特定需求对通用大模型进行定制和优化。通过 微调 (Fine-tuning) 技术，预训练的大模型可以快速适应新的任务和数据集，而无需从头开始训练。此外，还可以通过添 加新的层或修改现有层的结构，来扩展大模型的功能和性能。 1.3 工业大模型 1.3.1 大模型 06 01 工业人工智能 (AI) 以电芯顶盖板焊接质量检测为例，在将电芯顶盖焊接到电池壳体的过程中，很容易出现爆点、焊坑、孔洞、断焊、 漏焊、翻边等缺陷，导致漏液、短路等安全风险。将 AI 技术与 3D 成像技术相结合，利用数据样本自适应扩充训练 技术，缩短模型训练时间，通过针对性的缺陷检测算法，提高了缺陷检测效率和准确率，降低了工人检测的过杀、 漏杀情况，实现缺陷检测无人化，降低人力成本。 消费电子产品的特征之一是快速更新迭代，快速上市新产品意味着抢占市场先机。 ，即使没有异常样本，模型也可以利用其 Zero-shot 学习的能力，通过比较产品图像与正常情况的描述，来识别和定位异常。 这种方法的优势在于，它不仅减少了对大量标注样本的依赖，而且能够更好地适应新的生产环境和产品类型。此外，由于多 模态预训练模型能够理解自然语言，因此可以更容易地通过语言指令来调整或优化检测任务，使得模型更加灵活和易于部署。 2.3.2 基于视觉大模型的零样本或少样本异常检测

较低 ，推理时间较长 ，资源消耗大 较高 ， 响应速度快 ，资源消耗相对较小 幻觉风险 较高 ， 可能出现“过度思考”导致的错误答案 较低 ，更依赖于已知的知识和模式 泛化能力 更强 ，能更好地适应新问题和未知场景 相对较弱 ，更依赖于训练数据 擅长任务举例 解决复杂逻辑谜题 ，编写复杂算法 ，数学证明 撰写新闻稿 ，翻译文章 ， 生成产品描述 ， 回 答 常识问题 成本 通常更高 通常更低 它能够理解人类语言 ，并能够回 答各 种问题 ，提供相关的知识和信息。 与其他聊天机器人相比 ， ChatGPT 具备更强的语言理解和生成能力 ，能够更自 然地与人 类交流 ，并且能够更好地适应不同的领域和场景。 ChatGPT 的训练数据来自互联网上的大量文本 ， 因此 ， 它 能够涵盖多种 3.6.1 国外的大模型产 品 语言风格和文化背景 n Gemini Gemini 是谷歌发布的大模型 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 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

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 被预先设定的模式所 束缚。这也使得模型最终具备了更加强大的泛化能力和适应能力。 ➢ 为了充分释放 GRPO 的潜力并确保训练稳定性，DeepSeek R1 的训练中采用了四阶段的交替迭代 流程：“监督微调（SFT）→ 强化学习（RL）→ 再次 SFT → 再次 RL”，有效解决了传统强化学 习模型在冷启动、收敛效率和多场景适应性方面的瓶颈。 ➢ 强大的自验证和长链推理能力：并非预先设定好的，而是在RL训练中自主涌现出来的 较突出，甚至超过了基于RL的方法。 ➢ 相对依赖于强大的教师模型 ➢ 蒸馏过程通常针对特定任务或一组任务（例如代码和数学问题）优化，这可能导致生成的小模型在面对新任务或环境 （例如通用任务）时适应性和泛化能力不足。 41 技术对比讨论：MCTS & PRM ➢ 利用 MCTS，将答案拆分成分句或Token为单位的节点，而后对于解空间进行搜索 ➢ 通过 MCTS 可能会有以下的问题： ➢

码、传感器数据统一语义） 和动态数据治理（解决数据缺失、 噪音干扰、 概念飘逸等） ， 支持 200 多 种数据格式自动解析。 • 2. 中级能力层 领域问题建模与复杂推理 ，包括领域自适应学习（建立医、 教育、 金融垂直应用于 模型） 、 因果推理引擎（建立因果图模型） 和多目标优化决策（求解帕 累托最有解） 。 • 3. 高级能力层 复杂系统建模与自主决策 ，包

减少计算与通信相互等待 计算加速 忽略无效计算， 减少计算量和内存量 4 Multi head Attention 中常见模型的 mask 上 三角区域均接近于 0 自适应选择性重计算、内存碎片优化、 … 模型训练：应用使能软件加持， MFU 领先、线性度持平 NV 模型训练最优 = 单机执行最优 + 集群并行最优 + 中断时间最短 软件层分布式并行