知识获取 在基于大语言模型技术的知识获取中，应急知 识内化于模型的海量参数中，能够处理传统知识管 理模式下无法处理的默会知识，获取这类应急管理 实践中极其宝贵的经验知识、技能知识、部门知识 等，能极大丰富应急管理系统的知识体系，从而加 强系统应对复杂灾难情境的能力。同时，知识的内 化依赖于模型的自监督学习机制通过对海量数据训 练完成，相较于结构化的知识被动获取，大模型对 应急知识的获取不再是信息搜索，而更接近于学习

教育治理能力日益优化的教育发展新格局下，“信息技术与教 育教学的深度融合” 已经成为共识。随着 “三通两平台” 建设 取得巨大成就，国家数字教育公共服务体系建设日趋完善， 教育信息化基础设施建设已全面覆盖，数字化教育资源得到 极大丰富，师生网络学习空间已达 6,300 多万个 3，中小学 网络接入率达 99.7%，拥有多媒体教室的中小学校比例达 95.2%，已接受过不同程度信息技术应用能力培训的教师人 数也超过 1,000 现教育的优质、均衡发展；另一方面，借助课堂行为分析等 应用，能够通过动态、实时的教学数据分析，帮助教师和教 学管理人员获得智能化的课堂观察和分析能力，让 “教” 与 “学” 实现精准化。 • 练习测评场景：人工智能技术的引入大大丰富了练习测评 的形式。一方面，师生可将教学练习与测评的场景延展至 课堂之外，并获得来自智能系统和教师的双重反馈；另一 方面，在 NLP、ASR 等人工智能技术的帮助下，课程评测 的内容得到大幅扩展，评测结果也能更加精准和科学，并

务提供商针对市场规模较大的行业或通用性较强的业务场景，推出了特定领域的专用大 模型应用解决方案，如智能客服、信息检索、代码生成等，这不仅提升了大模型的使用效果， 3.1.1.1 直接使用大模型服务 �� 也极大丰富了用户体验。 这种直接使用大模型服务的方式，特别适合于成本预算有限、技术能力相对欠缺的中 小微企业。随着基础模型能力的不断提升，结合提示词工程、检索增强生成等工程化适配 方法，云端API调用 务无法直接 满足其特定需求的保险企业来说，基于现有基础大模型进行工程化适配几乎成为一种必 然的选择。它不仅能够帮助企业快速响应市场变化，还能够在保持成本效益的同时，实现 应用的创新和突破。也极大丰富了用户体验。 3.1.1.2 工程化适配 深度研发大模型包括从零开始的自主研发，亦包括基于现有开源模型的深度定制，以 满足保险企业特定的业务需求。这一过程包括模型设计、数据准备、环境搭建、训练、评估

度上进行定点巡航，实施大范围、高效率的数据采集。无人机可以 快速覆盖沿铁路的各个区域，获取地形地貌、道路、桥梁、隧道等 设施的高分辨率图像。同时，利用航拍在不同高度及不同角度拍摄 的影像资料，可以极大丰富三维模型的立体效果，生成真实的场 景。 为保证航拍数据的有效性，以下措施将被采取： 1. 确定航线和拍摄计划，避免在人流密集或禁止飞行的区域进行 航拍。 2. 配备高精度的 GPS 设备，确保航拍图像的地理位置准确，使