以需要寻找额外的 Scaling Laws [1]。 [1] Training Verifiers to Solve Math Word Problems https://arxiv.org/pdf/2110.14168 [2] Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters 天然 契合；此外，GRPO直接将策略模型与参考模型的KL散度作为正则项加入损失函数，而非将其混入 奖励计算，简化了优势值的计算。 DeepSeekMath https://arxiv.org/pdf/2402.03300 24 DeepSeek-R1 技术剖析：GRPO 赋能RL-Scale ➢From PPO to GRPO: ➢ 基于结果监督的GRPO: 对于每个问题q，从旧策略模型𝜋𝜃𝑜𝑙𝑑采样一组输出 其中𝑖𝑛𝑑𝑒𝑥 𝑗 是第 𝑗步的末 尾词元索引， 𝐾𝑖是第 𝑖 个输出的总步数。归一化后，优势值为后续步骤归一化奖励的累加和 DeepSeekMath https://arxiv.org/pdf/2402.03300 基于结果监督的GRPO优势值估计 基于过程监督的GRPO优势值估计 25 DeepSeek-R1 Takeaways 总结 Part II ➢ DS-R1 Zero

AI 1 AI 2 AI AI AI [1]. 2025-2025-01-02.pdf 2024-12 19 3.1 + [1] [1] ◼ ◼ ◼ ◼ [1]. 2023-10-20 [2]. 2025-2025-01-02.pdf 2024-12, ABeam Consulting 20 3.2 TO B TO C Lv1-Lv5 2024-06-04 [2]. https://www.caict.ac.cn/english/research/whitepapers/202311/P020231103487266783845.pdf 2023-09 AI AI AI AI AI ◼ AI AI Epoch AI 2028 2032 [1] Synthetic

提供网页版、APP、微信小程序、电脑版四大入口，满足不同场景需求： ①网页版（零门槛即用） 访问方式：浏览器输入`https://chat.deepseek.com` 特点： ⚫ 无需下载，支持文件上传（PDF/Word/图片） ⚫ 功能齐全，包含普通模式（V3）、深度思考（R1）、联网搜索 操作提示：登录后点击输入框下方按钮切换功能模式，例如开启 R1 模式处理复杂数学 题 ②手机 安全提示：建议设置“字母+数字+符号”组合密码，定期更换 ②核心功能切换 ③文件交互技巧 支持格式：PDF（需文字可复制）、Word、Excel、图片（JPG/PNG） 高阶用法： ⚫ 文档对比：上传 A/B 两份文件，输入“分析市场策略差异” ⚫ 数据提取：从实验报告 PDF 中自动整理温度数据表格 避坑指南：超过 50 页的长文档建议拆分处理，避免解析超时 3.常见问题速查

模型，审计智能体需要具备三个核心能力维 度：首先是领域知识的深度适配，包括国际财务报告准则 （IFRS）、美国通用会计准则（GAAP）等超过 2000 项条款的准 确解析；其次是多模态数据处理能力，既能解析 PDF 财报和扫描 凭证，又能处理 Excel 底稿和数据库日志；最后是可追溯的推理链 条，每个审计结论都必须具备可验证的逻辑路径。以下为审计智能 体与传统工具的对比差异： 能力维度 传统审计软件 政策时效性方面的可靠性，例如能够准确识别 2022 年财政部新修 订的收入确认准则（财会〔2022〕25 号）的具体变化条款。 在审计工作流中的技术适配性主要体现在三个维度：首先，非 结构化数据处理能力可解析 PDF 版银行对账单、扫描件合同等传 统 OCR 难以处理的文件，实测显示对模糊文档的字段提取准确率 达到 92%，较传统技术提升 40%；其次，风险预测模块通过分析 历史审计案例库，可自动生成高风险科目预警清单，在试点项目中 DeepSeek 智能体与审计业务系统对 接的核心环节，需实现多源异构数据的标准化处理。该模块通过 API 接口、数据库直连、文件解析三种方式采集数据，覆盖财务系 统（如 SAP、Oracle）、电子凭证（PDF/扫描件）、业务数据库 （MySQL/SQL Server）以及外部数据源（工商信息、税务数 据）。针对审计场景的特殊性，数据采集需遵循完整性、时效性、 可追溯性原则，例如凭证类数据需保留原始哈希值以供校验，时序

3 ）限制，包括要求拒绝回答无关问题并要求按格式回复。对于专业领域问答，一般还需要规定明确的回复格式，这可以 通过少样本提示完成。我们使用的民法典原文件是 PDF 格式，将在扣子中被转换成文本格式（大模型无法直接处理 Word 和 PDF 等格式的文档，需要转换成纯文本格式）在智能体配置的“知识”中选择“文本”，添加已有的知识库，在创建 知识库时，用户可以上传文档，并设置文档解析策略、过滤策略和

上传附件 ”按钮。在上传附件时，确保数据隐私不被泄露。 点击 “ ” 上传附件 按钮，从本地文件系统选择要上传的文件。DeepSeek 支 持的文件格式依功能和设置而定，常见的有 txt、pdf、docx 等文本类文件。工 程 审计场景中，可上传工程预算书、结算报告、合同文件等。 图 3-5 上传附件界面 上传前，务必评估文件有无敏感隐私数据。若包含个人身份信息（如身份证 实现 新项目的招投标文件编制。以投标文件编制为例，在对 “ 话框中输入类似 根据《xx ” 工程招标公告》的要求，编制该工程的投标文件 等提示词以及项目招标文件中 提供的工程设计图纸（PDF 或图片格式），DeepSeek 会基于本地知识库中已有 的 投标文件范本、相关的工程量计量规范及计价规范、施工规范、验收规范、 35 费用 35 定额、施工定额等，给出初步的投标文件，含施工方案、平面布置图以及进度 可自动匹配系统中类似项目的工程量汇总表，如 差异较大 将给出提示，以确保工程量计算准确。 5.5.2 智慧计算工程量 在本地化部署的系统中已经加载了工程量测算的知识，可以利用该知识来 实 现智慧工程量测算。在上传当前工程图纸（PDF 或图片格式）后，在对话框 中输 “ ” 入类似 请根据图纸分析计算工程量 等提示词。模型会基于本地知识库中 38 已有 的类似项目数据、计算规范等给出初步的工程量测算结果。如 图 5-9

Object Detection，Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi https://arxiv.org/pdf/1506.02640.pdf 行为分类：在区分出待检测的各个学生后，就需要对学生当 前行为进行识别与分类。通常而言，最简单的行为识别就是 以单一视频帧为对象，然后利用 CNN 对其进行识别，但这种 方法 Hausknecht，Sudheendra Vijayanarasimhan， Oriol Vinyals，Rajat Monga，George Toderici https://arxiv.org/pdf/1503.08909.pdf 视频采集 人物检测 行为分类 图 2-2-2 面向教育场景的行为分析方案架构 图 2-2-4 采用 LSTM 模型的行为识别网络架构 图 2-2-5 按帧统计时的行为状态分析 HCLG，Kaldi 中使用 compile-train-graph 来加载声学模型， 用 faster-decoder 解码器进行维特比解码，解码器的输出结 果会包含识别文本序列、pdf-id 序列。其中，pdf-id 序列可以 计算出音素的起始帧和帧数，根据音素的时间轴信息可以还原 识别文本的单词、句子的时间轴信息。根据这些时间轴信息在 声学模型中提取分数特征用来结算每个颗粒度的发音分数。

广泛的应用形态。基于知识库数据源 和API查询，对话助手能够实时回答 用户问题，提供高效的信息传递。例 如，某一乘用车通过搭建基于AI大模 型的汽车在线问答平台，实现了对非 结构化文档（如PDF、Word等）的 智能知识交互，提升了员工工作效率 和学习能力。该平台提供7*24小时的 智能知识服务，问题交互准确率达 95%以上，客户满意度提升了35% 对话助手 企业常常需要撰写大量报告，这些报 Deep Research。Deep Research由OpenAI o3模 型的一个版本提供支持，该模型针对网页浏览和数据分析进行了优化，它利用推理来搜索、解释和分析互联网上 的大量文本、图像和PDF，并根据需要根据遇到的信息做出调整。Deep Research具有以下四大核心技术： 会自动24小时扫描全球知识库 数据雷达 能把零散的信息拼成完整的战略地图 知识拼图 发现矛盾时，自动回溯、验证，调整推理路径 帮你发现文档中的错误 DeepSeek的“魔法”指令 8.2 文本类AIGC应用实践 n 使用DeepSeek处理文档 点击DeepSeek界面中的「回形针」图标上传文件，支持的文件类型包括文本类（PDF、DOCX、TX T、 Markdown）、数据类（CSV、XLSX）和图像类（JPG、PNG）。然后，就可以在对话框中输入提示词，比如， 可以输入“总结这份年报的三个核⼼要点”、“提取合同中的责任

识别准确率≥99.5%（300dpi 标准分辨率） o 表格结构还原 F1-score 达98.2% o 跨模态语义关联响应时间<800ms（A4 尺寸文档） 2. 动态文档理解 支持 PDF、Word、Excel 等20+文件格式的端到端处理，具 备以下特征： o 自动识别文档中的关键字段（如金额、账号、日期） o 理解多页文档的全局逻辑关系 o 保留原始排版格式的语义标注 5% ≥ 部署阶段采用动态热更新机制，通过以下方式保证模型持续优 化： 1. 建立客户反馈自动标注流水线，将人工坐席修正记录转化 为训练样本 2. 每周增量训练时引入最新监管政策文档（PDF/PPT 格式自动解析） 3. 季度性全量微调时同步更新金融知识图谱（含 约20 万实体关系对） 该模块通过金融专用 tokenizer 扩展（ 新增 1,200+金融词汇） 和注意 处理（四分位数范围缩 放），避免极端值影响 o 文本字段：执行 GB18030 编码统一转换，处理特殊字 符集问题 非结构化数据处理 建立多模态处理流水线，重点解决文档类 数据的标准化： 1. PDF/ 扫描件处理： - 使用 OCR 引擎提取文本 后，通过正则表达式过滤非金融相关符号 - 关键字段（如金额、 日期）提取模板： 字段类型 正则表达式 后处理逻辑 人民币金额 ¥