通过多源异构知识语料与多模态特征编码协同提升多 模态生成式问题理解精度 ， 并结合微调垂域化训练 ， 推进 Turing 多模态大模型行业应用赋能。 多源异构知识语料库 领域知识向量化 大模型垂域微调增量训练 众多应用场景任务 核心技术基础 0 3.5 基于 Transformer 架构自 回 异常场景感知 垂域知识交互问答 智能决策助手 智控研发变速箱 优化算法代码生成 智控算法仿真验证 归式预训练语言大模型 反馈微调大模型 o pe n AIG PT BloomZ 大 模 型 “ 鹏城 · 脑海”大模型 清华开源大模型 复旦开源大模型 标注系统 评测 适配 T-ARES 感知引擎

智能管理 智能回收 电池全生命周期智能管理平台 设计参数 设计指标 工艺参数 工艺性能 使用工况 安全性 耐久性 动力性 智能设计 智能制造 智能管理 容量和衰减模式估计子模型 微调子模型 微调子模型 微调子模型 Toker 寿命预测子模型 安全预警子模型 共性技术平台 Reconstructed origin data 利用大规模无标签实车运行数 电池大模型 datamask

后利用交通模型和优化程序配合生成最佳配时方案,最后送入路口信 号机予以实施。 SCOOT 系统的主要特点有：（1）实用性强，受出行分布、出 行方式、突发性交通变化以及天气变化的影响小；（2）稳定性强， 系统配时参数的优化采用连续微调的方式逐步进行；（3）自动鉴别 功能强，个别车辆检测器反馈的错误信息对系统配时方案参数优化 的影响小；（4）反应迅速，系统对路口信号配时方案时刻进行检验 和调整，能对交通状况变化迅速反应；（5）系统能够提供丰富的路 合的交通特征，采用了灵活有效的控制策略，在平峰时段追求通行 能力最大，高峰时段追求拥挤度最小；系统吸收了 KATNET 系统识 别交通状态的方法、SCOOT 系统“临近预测”的策略以及 SCATS 系统 战略控制与战术微调相结合的手段，提出了基于交通状态识别下的 多目标决策控制策略以及单路口自适应控制和路网区域协调控制相 结合的综合解决方案。深圳市应用结果表明，该系统达到了设计目 标和应用要求，有效降低了路网的行车延误、提高了通行能力，交 主下游连线（MDSL） 缺省相位差（DFOF） 最大清队时间 （QCMQ） 结束延时（ELAG） 启动延时（SLAG） 旅行时间（JNYT） 饱和流量释放率（STOC） 确定方案 系统控制参数微调 系统自优化 系统控制参数输入 系统控制参数测试 相位差设计 绿信比设计 周期长设计 确定控制方案 系统参数调整 系统自优化 控制参数录入 控制参数设计 实时交通状况模拟 系统

AI 应用迭代；支持模型纳管机制，对自 研及第三方模型进行统一管理，助力城市高效构建智能化解决方案。 模型训练：内置全栈模型训练工具，支持大模型预训练、微调（全量 SFT 、LoRA）、强 化学习（ DPO），支持 导入第三方大模型预训练、微调（全量 SFT 、LoRA）。 模型压缩：支持 NLP 大模型的量化压缩，降低推理资源占用，提升推理性能，支持导入压缩工具对第三方大模 型进行压缩。 专业知识支撑的标准 化任务、需严格遵循行业标准或法规的任务。行业大模型具有较强的专业知识，能够覆盖行业内多场景，行业任务准 确率高，但存在跨行业迁移能力不足的天然局限，且需持续投入行业数据标注与模型微调成本。 场景大模型： 基于基础大模型或行业大模型进一步聚焦特定业务场景，结合场景专属数据与业务规则进行深度优化。场景大 模型围绕解决具体场景问题展开，尤其适用于需深度适配业务逻辑、实时响应要求高或运行环境资源受限的任务场 场 景。该类模型以场景落地效果为核心导向，不追求能力全面性，具有较小的参数规模与低计算复杂度，更适合本地轻 量化部署。但由于对场景的高度依赖性导致其灵活性不足，一旦业务场景变更，需重新进行模型训练或微调，泛化能 力相对较弱。 图 8 模型资源示意图 25 AI CITY 发展研究报告 不是所有的应用都要追求大模型，应根据不同业务场景的需求 选择最合适的模型。大小模型协同或成为未 来人

virtCCA/CCA 技术实现 ARM 架构下的机密计算，配合国密算法加 速与可信计算 3.0 满足高安全合规要求；昇腾 NPU 则通过昇盾、PMCC 等技术，确保模型权重、用 户数据和中间结果在推理、训练与微调始终处于机密域，防范恶意用户、恶意管理员等潜在威胁。 在存储安全方面，HCIST 提出了机密存储（Confidential Storage）新理念，旨在从硬件层面构建可 信根基，依托硬件身份、 频繁尝试窃取管理员凭证以获取敏感数据访问权限。服务提供商亟需在确保运维灵活性的同时，建 立可验证的技术屏障来杜绝特权滥用风险。 这些困境共同揭示了传统算力基础设施的本质局限：在需要处理算力密集型应用，比如大模型推理、 微调、训练等场景时，由于传统的隐私计算方式无法高效地实现密文的处理，就需要对未加密用户 数据进行直接操作，如果缺乏硬件级信任根、可信执行环境、完善的远程证明方案等由算力底座硬 件支持的特性时，会导致 从芯片、固件、软件、单节点、多节点、集群、云场景等多个维度构建算力 安全防护能力，提供了数据端到端的保护，严格遵循"数据可用不可见"原则，在确保用户数据与模 型资产全生命周期安全的前提下，实现高性能 AI 推理、微调和训练等能力，支撑包括 Agent 在内的 AI 新场景。 HCIST 的构建包含了从芯片到系统的全栈内生安全能力，通过基于硬件支持的机密计算技术和可信 计算技术构建双重防护体系。硬件层面采

智能楼宇微环境建立并不断优化，节 能、舒适性等；  设施预审工作异常自动检测与预处理；  基于数据分析的智能行为触发：通过 IWMS / CAFM （工作订单、预订、 服务提醒、预测性维修等）  微环境实时微调：双向控制设备传感 器，如灯光设置，暖通空调等  不断优化的自适应系统； 连接与集成 管理、分析与洞察 生产效率、流程优化与使用体验 智能楼宇运营管理平台设计框架 可视化 智能化 互联化

掘城市出行的整体特征，通过不同的可视化展现让专业用户精确 把握细节、快速得到分析结果 o 交通小区自动划分（含编辑工具） o 专业 OD 分析（多样可视化展现） 交通小区自动划分 交通小区手工微调 小区之间出行规律 出行规律多样展示 出行规律多样展示 小区连通性预测 城市规划 城市居民出行特征分析 19 信息来源基站分布 中位值 :4 23:00 06:00 居住地 : 在 23:00

根据不同统计目标分别设置实效频率 根据不同数据源分别设置采集频率 31 数据平台 - 数据集市（可扩展、可迭代） 模型差异分析 模型缺陷验证 结构化数据 半结构化数据 设置数据项目 设置数据源 反复修正 局部微调 预测结果检测 预测过程回放 预测和实际销量对比 非结构化数据 数据转换 数据清洗 数据过滤 设计预测逻辑 设计阈值 自定义报表 自定义时效 模型迭代规划 循环检验 自动匹配 模型验证

COT（思维链）数据进行监督微调， 同时结合自生成数据与专业领域数据优化模型性能。 3 在算法层面，DeepSeek 通过 MLA+MoE 架构（多头潜在注意力 与混合专家模型）实现全链路效率提升，单次推理仅激活 5.4%的参 数（约 370 亿）1，显著降低计算负载。其训练框架创新性融合自监 督学习与强化学习策略，例如 R1-One 模型的多阶段训练（冷启动监 督微调+强化学习迭代），显著提升逻辑推理能力，并借助多

采用分层训练策略，先对单一场景（如高速公路流量预测）进行训 练，再逐步扩展到多场景协同训练。具体步骤如下： 1. 初始化模型参数：采用预训练模型或随机初始化，结合交通领 域知识对部分参数进行微调。 2. 定义损失函数：根据任务目标选择合适的损失函数，例如均方 误差（MSE）用于回归任务，交叉熵损失用于分类任务。 3. 优化算法选择：采用 Adam 或 RMSprop 等自适应优化算法， 公众影响 A 高 低 中 中 B 中 中 低 高 C 高 高 高 低 在评估过程中，模型还会结合实时的反馈数据进行动态调整。 例如，如果某一方案在实施初期效果不明显，模型会立即对方案进 行微调，甚至重新生成新的方案。此外，模型还会考虑方案的可扩 展性和可复制性，确保在类似场景下能够快速推广应用。 最终，模型会根据综合评分结果选择最优方案，并将其推送给 相关交通管理部门进行执行。同时，模型会持续监控方案执行效 反馈机制的设计需注重闭环性和动态性。一方面，系统应定期 生成监控报告，详细记录各场景的运行情况和优化效果，供决策者 参考。另一方面，系统需支持实时反馈，例如在信号灯配时优化 后，系统应持续监控交通流量的变化，并根据实际情况进行微调。 此外，反馈机制应引入用户参与环节，例如通过移动应用或社交媒 体平台收集驾驶人和行人的反馈意见，并将其纳入优化模型。 为了实现高效的监控与反馈，系统可采用分层架构设计，具体 如下： 1.