基于大模型的具身智能系统综述 王文晟 1 谭 宁 1 黄 凯 1 张雨浓 1 郑伟诗 1 孙富春 2 摘 要 得益于近期具有世界知识的大规模预训练模型的迅速发展, 基于大模型的具身智能在各类任务中取得了良好的 效果, 展现出强大的泛化能力与在各领域内广阔的应用前景. 鉴于此, 对基于大模型的具身智能的工作进行了综述, 首先, 介绍大模型在具身智能系统中起到的感知与理解作用; 并总结了目前具身智能模型的数据来源, 包括 模拟器、模仿学习以及视频学习; 最后, 对基于大语言模型 (Large language model, LLM) 的具身智能系统面临的挑战与发 展方向进行讨论与总结. 关键词 大语言模型, 大型视觉模型, 基础模型, 具身智能, 机器人 引用格式 王文晟, 谭宁, 黄凯, 张雨浓, 郑伟诗, 孙富春. 基于大模型的具身智能系统综述. 自动化学报, 2025, 51(1): Unitr- ee H1、特斯拉机器人 Optimus, 以及 Figure AI 的 Figure 01 均使用了基础模型进行赋能, 展现出令人 惊讶的理解、判断和行动能力. 随着大模型的发展, 近年基于大模型的具身智 能工作已经成为研究热点, 各类试图将二者结合的 工作层出不穷. 尽管目前有一些以具身智能为主题 的综述[21−23], 但并未聚焦于大模型. 目前也有综述研 究大模型在机器人上的应用[24−28]

计划协议 合同 供应商 另一个工厂 主数据 采购订单是正式请求供应商提供该采购订单规定的货物或服务。在采购订单里需指 定该物料是用于备货还是直接消费（如成本中心、资产或项目）。收货和发票校验 通常基于采购订单执行。 手工 采购订单 © 2011 82 - All rights reserved 66 采购订单 10 20 30 表头数据 项目 : 10 • 采购订单编号。 供应商 合同处理 © 2011 82 - All rights reserved 75 框架协议：合同 © 2011 82 - All rights reserved 76 对于基于定期计划的采购，我们不给供应商采购订单或批准订 单，供应商只会收到送货计划。送货计划的每一行代表指定的 送货要求，它包括： - 送货数量 - 送货时间 框架协议 - 计划协议 © 2011 82

学 基 金（20BZZ037）, 广 东 省 哲 学 社 会 科 学 规 划 项 目 （GD24XGL075）资助 *通信作者简介 黄欢（1976— ）, 男, 湖南常德人, 硕士, 助理研究员。 基于大语言模型技术的智慧应急应用： 知识管理与应急大脑 龚 晶 1 黄 欢 2，* （1. 暨南大学 公共管理学院/应急管理学院，广州 510632；2. 暨南大学 党委政治保卫部/人民武装部，广州 应用，针对智慧应急中面临的建设困境以及业务系 统智能化水平的局限，提出了基于大语言模型技术重构智慧应急的知识管理模式，在此基础上构想能够协同创新、全域感知、 决策支持的应急大脑，从而实现整体业务系统智能化水平从感知智能到认知智能的提升。 关键词 大语言模型，智慧应急，知识管理，应急大脑 引用格式 龚晶，黄欢. 基于大语言模型技术的智慧应急应用：知识管理与应急大脑 [J]. 指挥与控制学报，2025，11（2）：217-224 径，使其适应人工智能大模型时代的治理要求。 本文在分析大语言模型的知识获取原理与知识 创新的潜能之上，探讨了其在应急管理信息化建设 中的应用前景，针对当前智慧应急中面临的挑战以 及业务系统智能化水平的局限，提出了基于大语言 模型技术重构智慧应急的知识管理模式以及应急大 脑的概念框架，为应急管理信息化建设提供了新的 视角和技术路径。 1 大语言模型原理 大 语 言 模 型 通 过 词 嵌 入（word embedding）[3]、

项目编号： 税务稽查基于 DeepSeek AI 大模型应用 设 计 方 案 目 录 1. 引言............................................................................................................................................. 并通过智能算法清洗数据，确保数据的一致性和完整性。  异常检测：利用机器学习模型，自动识别异常交易模式，例如 频繁的大额交易、关联方交易等，帮助稽查人员定位高风险纳 税人。  风险评估：基于历史数据和行业特征，构建风险评估模型，对 纳税人进行分类，并生成风险评分，为稽查重点提供依据。  可视化分析：通过可视化工具，将复杂的数据关系以图表形式 展示，帮助稽查人员直观理解数据背后的规律。 发展方向，为税务部门提供了切实可行的技术支持和参考依据。通 过本方案的实施，税务稽查工作将能够更加高效、精准，从而显著 提升税务管理的整体水平。 2. DeepSeek 技术概述 DeepSeek 技术是一种基于深度学习和自然语言处理（NLP） 的智能分析工具，旨在通过大数据和人工智能技术优化复杂任务的 执行效率。其核心在于强大的数据处理能力和高效的算法模型，能 够从海量数据中提取有价值的信息，并进行智能化的分析和预测。

基于大模型的企业架构建模助 力银行数字化转型应用方案 目录 CONTENTS • 数字化转型背景与必要性 • 银行数字化转型现状与痛点分析 • 大模型驱动的企业架构建模方法论 • 技术架构设计与模型融合方案 • 数据治理与知识图谱构建 • 智能业务场景应用规划 • 大模型训练与优化策略 目录 CONTENTS • 风险控制与合规管理 • 实施路径与阶段目标 • 标杆案例与同业实践 大模型通过自然语言处理和机器学 习技术，自动解析业务需求，生成 业务模型，减少人工干预，提升建 模效率。 大模型能够根据不同业务场景，动 态调整业务模型，支持个性化业务 需求，提升业务灵活性和适应性。 大模型能够基于历史数据和实时数 据，自动优化业务模型，识别潜在 的业务瓶颈和优化点，提升业务运 营效率。 大模型通过构建业务知识图谱，将 业务实体、关系和规则进行结构化 表示，支持业务模型的深度分析和 大模型能够实时集成多源异构数据，确 保业务模型的实时性和准确性，支持实 时决策和业务监控。 大模型能够根据实时业务变化，动态调 整业务模型，确保模型与业务环境的一 致性，提升业务响应速度。 大模型基于历史数据和实时数据，进行 预测性分析，识别未来业务趋势和风险， 支持前瞻性决策。 大模型通过深度学习和强化学习技术， 提供智能决策支持，优化决策流程，提 升决策质量和效率。 动态建模与实时决策支持能力构建

项目编号： 基于 AI 大模型 Agent 智能体商务应用服 务 设 计 方 案 目录 1. 引言.....................................................................................................................................5 1.1 背景与意义 确的任务，如订单处理、库存管理和财务核算，降低人工成本 并减少错误率。  智能决策支持：利用机器学习和大数据分析技术，从海量数 据中提取有价值的商业洞察，协助管理层制定更科学的战略决 策。  智能客服系统：部署基于自然语言处理（NLP）的智能客服， 支持多渠道、多语言的即时响应，解决客户问题并收集反馈， 进一步提升服务质量。  个性化推荐与营销：通过用户行为分析和预测模型，为不同 客户群体提供定制化的产品推荐和营销方案，提高转化率和客 性。 通过上述方法论的实践，我们能够确保商务 AI 智能体应用服 务方案不仅技术上先进，而且在实际应用中能够为企业带来显著的 商业价值。 2. 商务 AI 智能体概述 商务 AI 智能体是一种基于人工智能技术的智能化解决方案， 旨在提升企业运营效率、优化决策流程，并增强客户体验。它通过 整合自然语言处理（NLP）、机器学习（ML）、数据分析等多种 技术，为企业提供智能化的服务支持。商务

项目编号： 保险行业理赔业务基于 DeepSeek AI 大模 型 设 计 方 案 目 录 1. 引言......................................................................................................................................... 了新的可能 性。DeepSeek 大模型凭借其多模态理解、自然语言处理和复杂决 策能力，能够从以下维度重构理赔流程：首先，通过自动化单证识 别与核验，将材料初审时间从小时级缩短至分钟级；其次，基于历 史数据与规则引擎的深度学习模型，可实现对理赔案件的智能分级 与风险预判，准确率可达 92%以上；最后，通过动态生成个性化沟 通话术，显著提升客户服务体验。 为验证方案的可行性，某头部财险公司已在车险理赔场景完成 化转型提供了核心技术支撑。该模型采用混合专家系统（MoE）架 构，通过动态激活子模型的方式实现计算资源的智能分配，在保证 响应速度的同时显著提升复杂任务处理精度。在保险行业特定场景 中，其优势主要体现在三个方面：首先，基于多轮对话和上下文理 ” 解能力，可准确解析客户提交的非结构化理赔描述，例如将 车子 ” 右前方撞到护栏导致大灯破裂 的口语化表述自动转化为标准化事 故编码（V37.2）和损伤部位标识（ADL 代码：HL-03-R），识别

项目编号： 保险行业基于 DeepSeek AI 大模型智能 体场景化 设 计 方 案 目 录 1. 项目背景与目标.................................................................................................................................. 35% 90% ≥ 产品转化率 12% 17%（+5%） 指标 传统模式 DeepSeek 方案目 标 欺诈识别准确 率 85% 98% ≥ 技术实施路径分为三个阶段： 1. 场景建模：基于历史数据训练核保、理赔等场景的决策树，集成 多模态数据输入（如医疗报告 OCR、语音通话记录） 2. 智能体部署：通过 API 对接核心业务系统，支持自然语言交互和 实时规则引擎更新 3. 标上实现突破性改进。 1.2 DeepSeek 技术优势 DeepSeek 作为新一代 AI 大模型技术，在保险行业智能化转 型中展现出显著的技术优势。其核心能力体现在以下维度： 多模态理解与生成能力 基于千亿级参数训练的底层架构，可无缝处理保险业务中的结构化 保单数据、非结构化理赔文档（如医疗报告、事故照片）以及语音 通话记录。例如，在车险定损场景中，模型能通过图像识别自动判 断损伤等级，准确率较传统

基于区块链和区块链服务网络（BSN） 的可信数据空间建设指引 国家信息中心 2025 年 4 月 1 报告研究编写组成员 组长： 单志广 国家信息中心信息化和产业发展部主任、区块链 服务网络（BSN）发展联盟理事长 副组长： 张延强 国家信息中心信息化和产业发展部未来产业（区 块链技术与应用）处副处长 。 为引导各地方、各行业和重点企业有序推进可信数据空间 建设，国家信息中心联合有关单位开展专门研究，通过分析可 信数据空间的概念、特征和功能定位，提出“1+5+N+1”总体架 构，初步探索基于区块链和区块链服务网络（BSN）的分布式 可信数据空间建设的技术架构和实施路径，为相关单位有序开 展可信数据空间建设提供参考方案和专业指导。 I 目录 一、概念特征与功能定位 . 34 五、典型应用案例 .......................................................................... 36 （一）基于 BSN 构建可信数据空间 ...................................... 36 1．基础底座层 .................................