���������� 127 9、“狼来了”还是“机会来了”？ 5G-A 蜂窝无源标准即将冻结 ����������������������������������������������������� 128 10、RFID 标签成本优化的讨论 ������������������������� 129 11、为什么说合理利润是 RFID 产业良性发展的基石 ������� 130 12、贸易战，或将是国产 用户区容量 （bit） 灵敏度 （dbm） 产品特点 适用场景 凯路威 KX2005X-S 96-192 96-128 0 -23.5 无用户区，高性能低成本， 性价比高 一次性使用吊牌、面单、标 签等； 适用于鞋报、物流、零售等 KX2005X-S+ 96-192 96-128 64 -23.5 小容量用户区，高性能低 成本，性价比高 一次性使用吊牌、面单、标 签等； 适用于鞋报、物流、零售等 KX2005X-B 96-192 96-240 1312 -23.5 大容量用户区，OTP 可追 加写入，性价比极高 医药 / 医疗、资产管理、动 物管理等 KX2005XG-S 96-192 96-128 0 -21.5 无用户区，高性能低成本， 性价比高 零售、仓储、单品管理等 KX2005XG-544 96-192 96-240 544 -21.5 中等容量用户区，OTP 可 追加写入，性价比高

2048 台服务器合计消纳 IT 功率约 21504KW ； 2) 建设 5 个 128 合计 640 台算力服务器组成的推理集群，主卡选用 5090, 合计消纳 320 个 12KW 机柜，单台 算力服务器最大功耗 6KW 计算， 640 台服务器合计消纳 IT 功率约 3840KW; 3) 建设 5 个 128 合计 640 台算力服务器组成的推理集群，主卡选用 H20, 合计消纳 320 2048 （ 2 * 1024 ） 10.5 12 1 ： 1 2048 21504 推理池 1 RTX5090 5120 640 （ 5*128 ） 6 12 1 ： 2 320 3840 推理池 2 H20 5120 640 （ 5*128 ） 4.5 9 1 ： 2 320 2880 合计 26624 3328 2688 28224 算力池规划表 算力池规划 5A 级科技型办公中心

效核）、英特尔锐炫™ GPU 2 以及 AI 专用的内置神经处 理单元 (NPU) 英特尔® AI Boost 3 • 内置英特尔锐炫™ GPU 2，提供多达 8 个 X e 内核（多达 128 个图形执行单元） • 硬件加速 AV1 编码、内置 DisplayPort2.1 (USB-C) 和 HDMI 2.1，以及全新图形系统控制器 2.1.2 英特尔® 酷睿™ Ultra 处理器 提升图形密集型应用性能，无需入门级独立 GPU 为自助服务终端、终端以及细节丰富的界面整合系统并降 低硬件成本。英特尔® 酷睿™ Ultra 处理器配备内置英特尔 锐炫™ GPU 3，提供多达 8 个 X e 内核（多达 128 个图形执 行单元），有助于减少对入门级独立 GPU 的需求。这一代 处理器支持多达 50 个 HDR 视频流，可提供细节更加丰富的 视效，支持在硬件加速主流 AV1 编解码器，可实现比 H.265 OpenVINO™ 工具套件全面支持 能效 • 2 个低功耗嵌入式 DisplayPort 接口 图形处理 • 内置英特尔锐炫™ GPU 3，提供多达 8 个 X e 内核（多达 128 个图形执行单元） • 硬件加速 AV1 编码 • 集成的 DisplayPort 2.1 (USB-C) 和 HDMI 2.1 • 图形系统控制器 (GSC) • 集成的英特尔® 图像处理单元

激活 21B 671B/ 激活 37B 405B MoE 模 型 稠密 MoE 2+160 MoE 1+256 稠密 注意力技术 GQA MLA MLA N.A 上下文长度 4K 128K 128K 128K 训练成本 (GPU Hours) 300.6K 172.8K 2.788 M 30.84 M 发展历程：穷则战术穿插 DeepSe ek DeepSeekMoE Routed

[Table_Report] 相关研究 1.【华西计算机】深桑达深度：左手国资云，右手 数据要素 2023.06.08 -21% 16% 53% 91% 128% 165% 2022/07 2022/10 2023/01 2023/04 2023/07 相对股价% 深桑达A 沪深300 证券研究报告|公司动态报告 仅供机构投资者使用 582/672/787 亿 元，归母净利润为 2.88/4.95/8.35 亿元，每股收益（EPS）为 0.25/0.43/0.73 元，对应 2023 年 7 月 7 日收盘价 32.37 元， PE 分别为 128/74/44 倍，强烈推荐，维持公司“买入”评级。 风险提示 1）市场份额被竞争对手挤压；2）政策推进不及预期；3）大 模型技术发展不及预期；4）经济下滑导致的系统性风险。 盈利预测与估值 582/672/787 亿元，归母净利润为 2.88/4.95/8.35 亿元，每股收益（EPS）为 0.25/0.43/0.73 元，对应 2023 年 7 月 7 日收盘价 32.37 元，PE 分别为 128/74/44 倍，强烈推荐，维持公司“买入”评级。 4.风险提示 1、市场份额被竞争对手挤压； 2、政策推进不及预期； 3、大模型技术发展不及预期； 4、经济下滑导致的系统性风险。

测，人员聚集，快速移动，非法停车，音频异常侦测，人脸检测，外部报警， 客流量统计，热度图，微卡口； XXXX 解决方案 第 11页 ? 支持报警 2 进 2 出，音频 2 进 1 出， 485，RS232,BNC，HDCVI,128G SD卡， 内置 MIC； ? 支持电源 DC12V电源返送，最大电流 165mA,功耗 2W； ? 支持 G.711A、G.711Mu、G.726、AAC多种音频编码格式； ? 支持 A GUI界面操作； ? 可接驳支持 ONVIF协议的第三方摄像机和主流品牌摄像机； ? 支持 IPv4、IPv6、HTTP、NTP、SADP、DNS、ONVIF（支持 2.4 版本）协议； ? 支持最大 128 路网络视频接入，网络性能接入 400Mbps，储存 320bps，转 发 320Mbps，80Mbps 回放； ? 支持 12M/4K/6M/5M/4M/3M/1080P/1.3M/720P IPC

新计算。这一技术不 仅有效缩 短了服务延迟，还极大地降低了最终的使用成本。 1 ）降低服务延迟：对于输入内容长且重复部分多的请求， API 服务的首 token 延迟会大幅降低。以 128K 输入且大部分内容重复的请求为例，经实际 测试，首 token 延迟从原本的 13 秒锐减至 500 毫秒。 2 ）削减整体费用：最高能够节省 90% 的费用 ( 前提是针对缓存特性进行优 8TB/s PC le 6.0 ： 256GB/s NVLink ： 900GB/s PC le 5.0 ： 128GB/s NVLink ： 900GB/s PC le 5.0 ： 128GB/s NVLink ： 400GB/s PC le 5.0 ： 128GB/s NVLink ： 600GB/s PC le 4.0 ： 64GB/s NVLink ： 400GB/s

Intel Lunar Lake NPU 算力 14TOPS 45TOPS 18TOPS 45TOPS 内存 最高 32GB + 1TB 最高 32GB + 1TB 最高 128GB+TB 尚未发布 应用 PPT 智能创作、文生图、文档总结、 智能问答、AI 识图、会议纪要、智 会分身、设备调优 GPT-4o，Copilot+PC 尚未发布 尚未发布 本快速下降，为基于大模型的应用发展创造了基础。目前 OpenAI 最前沿的 GPT-4o (128k) 输入输出的平均价格比 2022 年 11 月的 GPT-3 Da Vinci 低一半，主打高性价比的 GPT-3.5 (16k)平均价格则比 GPT-3 Da Vinci 低 95%。在 GPT-4 系列中，GPT-4o (128k)平均价格相 较 2023 年 3 月的 GPT-4 (32K)低 89%。 0.050 0.060 0.070 0.080 0.090 0.100 GPT-3 Da Vinci GPT-4-8k GPT-4-32k GPT-4-turbo (128k) GPT-4o (128k) 2022-11 2023-03 2023-03 2023-11 2024-05 (美元/1k tokens) -50% GPT-3.5系列API输入、输出平均价格 GPT-4系列API输入、输出平均价格

大模型作为新一代千亿参数级多模态大语言模型， 在金融银行业务场景中展现出显著的技术优势与适配性。其核心能 力建立在三层技术架构之上：基于 Transformer-XL 的混合专家模 型 （MoE）结构实现动态计算资源分配，128K 超长上下文窗口结合动 态稀疏注意力机制，以及通过强化学习与人类反馈（RLHF）优化 的金融领域微调策略。在银行业典型任务测试中，模型在金融语义 理解、复杂逻辑推理和多轮对话维持方面表现突出，其中在合同关 验证，在信用卡欺诈检测中实现误报率低于 0.3% 的同时保持 98.6% 的召回率。 模型的知识更新机制采用双通道设计：静态知识通过季度更新 的金融知识库（ 涵盖巴塞尔协议 III 等 128 个监管框架）进行批量注 入，动态知识则通过实时流数据处理平台接入市场行情与监管通 告。测试数据显示，该机制使模型在利率政策变更后的知识更新时 效性缩短至 4 小时内，显著优于同业常见的 关键参数配置需平衡性能与资源消耗，典型设置如下： - 学习率：采用余弦退火策略，初始值 3e-5 ，最小衰减至 1e-6 - 批量大小：根据 GPU 显存动态调整，推荐范围 32-128 - 训练轮次：早停机制（patience=3） 监控验证集 F1 值 - 正则化：Dropout 率0.1 ，权重衰减系数 0.01 效果评估采用分层次测试体系：在单元测试层面，通过混淆矩

126 11.1 用户培训计划..................................................................................128 11.2 技术文档编写..................................................................................129 其次，批处理大小（Batch Size）的设定需要综合考虑硬件资 源与训练效率。通常情况下，批处理大小越大，模型训练速度越 快，但对显存的需求也更高。在显存允许的情况下，建议将批处理 大小设置为 64 或 128。如果显存不足，可以适当减小批处理大 小，但同时需要增加训练轮次（Epochs）以保证模型的充分训 练。训练轮次的设定应根据具体任务的复杂度而定，一般在 50 至 200 个 epoch 之间 以下是一个常用的训练参数配置表，供参考： 参数名称 建议值或范围 说明 学习率 0.001 初始学习率，可随训练衰减 优化器 Adam β1=0.9，β2=0.999 批处理大小 64 或 128 根据显存资源调整 训练轮次 50-200 根据任务复杂度调整 L2 正则化系数 0.0001 权重衰减技术 Dropout 丢弃率 0.5 在全连接层中使用 损失函数 交叉熵/MSE/MAE