Q2：如何导出对话记录？ 操作路径：网页版/APP 端点击对话历史→右键选择“导出为 Markdown” Q3：上传文件后 AI 无法识别内容？ 排查步骤： 1.检查文件是否受损（重新保存后上传） 2.确认图片清晰度（建议 300dpi 以上） 3.尝试用“请总结这份文档的三个核心要点”等明确指令 四、高效提示词工程 1.黄金提问法则：像指挥特种兵一样精准 邮件接收→AI 提取关键信息→自动创建待办事项→生成执行方案→推送进度提醒 ⚫ 跨平台协作： Excel 表格+微信聊天记录+邮件内容→自动整合为 CRM 客户档案 3.社会影响：重新定义工作边界 DeepSeek 的普及正在引发结构性变革： ①职业重构 ⚫ 新兴岗位：AI 训练师（年薪 50 万+）、智能流程设计师、数字资产管理员 ⚫ 技能升级：提示词工程师认证考试报考人数突破百万 230% -新疆牧民通过 AI 语音助手实现畜牧疾病远程诊断，死亡率降低 62% 六、未来图景与人类共生 1.技术进化：从工具到伙伴的范式跃迁 DeepSeek 的持续迭代正在重新定义人机关系，其技术发展呈现三大趋势： ①认知协作革命 ⚫ 智能增强：通过脑机接口技术，用户可直接用思维操控 DeepSeek 生成方案，写 作效率提升 10 倍 ⚫ 记忆外延：个人知识库与

境 。这使得它们能够产生更准确、 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 Instruction - Response ） 数据集用于训练模型理解任务指令并生成符合预期的响应 时效性问题 对知识更新频繁的领域 ，微调后的模型可能很快会过时 ， 需要不断重新训练 在微调完成后 ， 部分高级模型还会使用强化学习进行优化。 例如 ， ChatGPT 和 Claude 使用 人类 反馈 强化学习（ RLHF ） 让模型的回答更符合用户期望 ，更好地选择符合人类偏好的答案 性可以更好 减少模型幻觉 由于提问结合了业务知识 ，所以减少了模型的幻觉， 即减少了模型的胡说八道 保护数据隐私 由于日常的业务知识是保存到本地的 ， 所以减少 信 息泄露的风险 无需重新训练 不用重新训练模型 ，微调模型降低了成 本 4.4 本地部署大模型方 案 n 本地知识库的优点 步骤 安 装 Ollama 下载 DeepSeek R1 运行 DeepSeek R1 使用

的计算效率， 提升模型落地经济性 • 中国 AI 公司首次以关键创新贡献者的身份加入到全 球 AI 竞争中，冲击美国 AI 霸权 • 打破 NV+OpenAI 的资金、技术、人才的垄断，全球 重新思考中美技术路线的选择 泛化性和经济性大幅提升 LLM 进入“ CV Resnet 时刻” 补齐最后一块自主创新的版图 真正形成中美两条 AI 技术路 线 AI 框架：昇思、飞桨 … 异构计算架构： DeepSeek-R1 进一步验证“算力即性能” Scaling Law 升级，模型能力 = 算力 x 数据 x 思考 + 逻辑推理 DeepSeek-V3/R1 OpenAI-o1/o3 算力 x 数据 重新定义 Scaling Law 延续智能涌现的 方向 2017 谷歌发布首个 Transformer 架 构 模 型 2023 ChatGPT 模型能力突破 开启 token 预测提升模 型效果 • MTP 模块仅在训练中使用，提升模型训练效果，推理阶段可以不使用 MTP 模块，基础模型能够独立完成正常推 理 • 参考投机采样， MTP 模块也可以被重新配置用于 speculative decoding ，加速解码过程，降低整体时延 7 Huawei Proprietary - Restricted Distribution

训练步数的增长，模型的thinking response length 逐渐增加 (test-time computation increasing) ➢ DeepSeek-R1-Zero 自主涌现学会重新评测原来的方法、反思和主动探索其他的路径 ➢ 多阶段训练下的冷启动让RL训练更加稳定，避免初期不稳定、加速收敛、提升思维链可读性 ➢ 未来后训练的重心会逐步倾向于RL，但是少量训练用于SFT可能还是必须的 决定当下的某一步是否正确是一个很难的task, 自动化标注难以产生很好的结果， 但是用人工标注又难以scaling up ➢ Model-Based PRM 可能会引入 reward hacking, 重新训练会让训练变得更加复杂 ➢ PRM还是更适合于rerank top-N responses and assist guided search, 在大规模RL实 验下，提升算力更直接 ➢ PRM的潜力：

支持多种模型优化方法来提高模型的大小和在推理时的性能，在 OpenVINO™ 神经网络压缩框架 (NNCF) 中， 提供了三种优化路径： • 训练后量化，通过应用训练后的 8 位整数量化来优化深度学习模型的推理，这优化方法不需要模型重新训练或微调。 • 训练时优化，这是一套在例如 PyTorch* 和 TensorFlow* 2.x 这样的深度学习框架内进行训练时模型优化的高级方法，支 持诸如量化感知训练、结构化和非结构化剪枝等方法。 模型的流程示意图 2.2.3 英特尔® Geti™ 平台 英特尔® Geti™ 平台使企业团队能够快速构建计算机视觉 AI 模型。通过直观的图形界面，用户可以添加图像或视频数据、进 行标注、训练、重新训练、导出以及优化 AI 模型以便部署。配备了最先进的技术，如主动学习、任务链和智能标注，英特尔® Geti™ 平台减少了劳动密集型任务，实现了协作模型开发，并加快了模型创建的速度。 英特尔® 平台将自动开始对新的多媒体数据进行预测。 5. 优化 — 英特尔® Geti™ 平台使用 OpenVINO™ 工具包来优化模型，并通过在英特尔® 硬件上一次编写、随处部署 的方法来提高它们的性能。您还可以随时使用新参数重新训练每个模型版本。 6. 导出 — 您可以导出模型并将其集成到您的应用程序中或与他人共享。 37 02 英特尔 ® 技术方案 图：英特尔® CVOI 架构图 典型的机器视觉 Pipeline