技术剖析：DeepSeek-R1 Zero DeepSeek-R1 Zero: 无需监督微调SFT，纯强化学习驱动的强推理模型 DeepSeek-v3-Base (671B) DeepSeek-R1-Zero 基于规则的奖励 Rule-Based Reward 推理为中心的大规模强化学习 Large-Scale Reasoning-Oriented RL 大规模推理为中心的强化学习，提升模型数学代码能力 RL驱动下自然涌现长文本推理能力 技术剖析：DeepSeek-R1 Zero DeepSeek-R1 Zero: 无需监督微调SFT，纯强化学习驱动的强推理模型 ➢ 奖励建模：基于规则的奖励 (Rule-Based Reward) : 准确率奖励 + 格式奖励 ➢ 准确率奖励 Accuracy Rewards: 判断答案是否是正确的 ➢ 格式奖励Format Rewards: 规劝模型生成答案的过程是 和 ➢ 没有使用Reward model 需要大量的计算资源，可能会复杂化整个流程 ➢ 训练模板：选择最简单的 Thinking Process，直接观察到最直接的RL过程下的表现 基于规则的奖励 (Rule-Based Reward) : 准确率奖励 + 格式奖励 10 DeepSeek-R1 技术剖析：DeepSeek-R1 Zero DeepSeek-R1 Zero: 无需监督微调SFT，纯强化学习驱动的强推理模型

兆瓦时，全容量放电时长不低于 2 小 时，年充放电次数不低于 450 次），由项目建设运营企业申报，经新片 区管委会组织评审后，按照项目装机容量规模给予 200 元/千瓦时的奖 励支持，奖励分 3 年进行发放，单个项目奖励最高不超过 500 万元， 具体实施细则及申报方式等另行制定发布。鼓励新型储能项目参与电力 市场。 15.结合虚拟电厂建设探索新型储能商业应用新模式 用户侧新型储能项目原则上均应参与虚拟电厂响应，参照本市及新 150 万元奖励；对列入省级工业互联网平台创建名单的 企业，给予 50 万元奖励。（责任单位：市经信局、市财政局） （3）对经认定的省级未来工厂企业、省级未来工厂培育（试点）企 业、省级智能工厂、省级数字化车间，分别给予 200 万元、100 万元、 50 万元、30 万元奖励；对经认定的国家智能制造示范企业和国家智能制 造优秀场景企业，分别给予 200 万元、30 万元奖励。（责任单位：市经 （4）对经认定的国家级、省级制造业创新中心，分别给予 300 万元、 150 万元奖励；对经认定的国家级、省级、市级制造业企业技术中心， 分别给予 150 万元、50 万元、20 万元奖励。对经认定的国际、国内、省 内、市内首台（套）装备（首批次新材料、首版次软件），分别给予 200 万元、150 万元、50 万元和 20 万元奖励；对符合条件的首台（套）装备 保险保费，在投保费率 2%的上限内按保费的

期内 实现产品推广应用。 3.申报材料 （1）企业营业执照、组织机构代码证、税务登记证或多证合一营业 执照（复印件）。 （2）首台（套）认定证明材料。 （3）申报省级首台套市场化推广应用奖励年度首台（套）氢能装备 产品研制/采购的销售合同、销售清单及发票、货款到账凭证，购买保险 保单及发票、货款到账凭证（如有请提供），发票上的产品名称须与认 定的产品名称一致，如不一致需单独说明并提供证明材料。 制氢加氢先进装备、储氢运氢关键零部件等。 （3）项目建设期和运营期内未发生过安全事故及环境污染事故等。 （4）申请贷款补贴的贷款行应为辽宁省内独立银行法人机构。 （5）获得营收奖励的企业如在三年内迁出大东区，应返还全部奖励 （扣除企业所得税等税费部分）。 3.申报材料 （1）企业营业执照、组织机构代码证、税务登记证或多证合一营业 执照（复印件）。 （2）项目审批和开工相关手续（复印件）。 并报区政府审议。需进行补贴资金及数额划算的，安排三方专业机构进 行核算。需确定当年补贴比例的，由对应责任部门确定。政策条款对应 多个责任部门的，由牵头责任部门统一组织。 第十条 惩戒机制 对弄虚作假骗取奖励资金等违反上级和本级相关规定的申报单位， 一经查实，取消资金支持，按照规定收回已拨付的资金，并追究项目单 位和有关负责人法律责任。被取消资金支持单位三年内不得再次申报本 政策。涉及退款的单位应在收到取消资金支持通知后

..........................................................................9 3.大兴区 2025 年促进企业用户绿电应用奖励措施........................................................11 天津市.................................. 研究成果转化和产业化，解决企业关键核心技术和“卡脖子”技术难 题，分批给予攻关投资一定比例奖励（市经济和信息化局）。 5.支持新材料首批次应用。将氢能领域新材料产品优先纳入北京 市重点新材料首批次应用示范指导目录，对于指导目录中的氢能领域 新产品首批次应用，按单个产品不超过 500 万元、单个企业不超过 1000 万元给予分档奖励（市经济和信息化局）。 6.支持首创产品进入市场。支持属于氢能关键领域“补短板”， 加大统筹协调与培育扶持力度，强化市区协同开展全面精准服务，对 获评“专精特新”的企业给予区级分档资金奖励（市经济和信息化局、 各区政府）。鼓励氢能领域研发设计、中试集成、测试验证等产业支 撑平台面向中小企业提供服务，符合条件的可认定为“北京市中小企 业公共服务示范平台”，给予一定建设补助或绩效奖励；使用公共服 务平台的企业，符合条件的可纳入中小企业服务券政策支持范围（市 经济和信息化局）。

业，不再支持。市级杰出青年科学基金、自然科学基金青年和一般项目、 科技发展战略研究计划、创新平台、科技型中小企业创新资金、企业科 技特派员、农村科技帮扶、科普、“一带一路”科技创新合作、科技金 融、补贴奖励等项目不纳入限项查重范围。为鼓励有一定基础的项目申 报单位加大研发力度，企业集团、转制院所和整编制引进的国家级科研 院所、北沪深三市上市公司、产业技术研究院、科技领军（培育）企业 不限项。 （六）不予受理的项目 研究工作基础的项目。 2.项目第一承担单位是国家高新技术企业，天津市科技领军（培育） 企业、技术领先型企业或者“瞪羚”企业。 3.项目第一承担单位具有完备的科研项目管理制度、研发投入核算 体系和研发人员绩效考核奖励制度，研究开发组织管理水平较高；具有 明确的创新发展战略和规划。 4.参与市级重点工程科技创新的，资源环境、现代农业、城乡建设 及公共服务领域申报项目。 5.项目第一申报单位已在标准化共性关键技术方面形成标准研究成 体化算力调度和监测平台，按照接入的算力规模，给予每户企业最高不 超过 50 万元奖励。支持算网协同发展，鼓励网络基础设施运营商优化网 络架构，持续推动网络提速降费。 （六）支持自主可控数据中心建设。鼓励算力企业加大信创产品应 用力度，提升数据中心自主可控、安全可靠水平，对基础软硬件实现国 产化 90％以上的新建、改建数据中心，给予最高不超过 500 万元的一次 性奖励。对通过第三方机构安全性测试的算力上下游产品，按照不超过

····················45 第七部分 推进乡村振兴税费优惠政策···························82 - 1 - 第一部分 重要农产品保供 一、粮食生产奖励和补贴类 1.玉米和大豆生产者补贴 （1）政策依据：《财政部 国家发展改革委 农业农村部关于 进一步加强目标价格补贴资金管理的通知》 （财建〔2023〕47 号）。 （2）政策摘要：玉米和大豆生产者补贴是国家确定的普惠 日前，市农业农村主管部门将工作总结报省农业农村厅。 （5）实施期限：2025 年 7 月 1 日至 2026 年 6 月 30 日。 （6）执行单位：省农业农村厅。 10.草原禁牧补助与草畜平衡奖励 （1）政策依据：《辽宁省第三轮草原保护利用补助奖励政 策实施方案》（辽财农〔2021〕236 号）。 （2）实施范围：在沈阳、鞍山、抚顺、本溪、丹东、辽阳、 盘锦、铁岭、葫芦岛等 9 市实施。 （3）主要内容：重点支持饲草料加工贮制企业和牛、羊、 亿元。中央补奖资金分年度安排，批 准试点的第一年每个试点安排补助资金 7000 万元。农业农村部、 财政部根据中期评估和试点验收情况，采取分类分档方式，确定 奖励资金规模。根据评估结果，每个试点奖励资金 4000—6500 万元；在试点通过验收后，根据总体验收情况，每个试点安排第 二批奖励资金 4000—6500 万元。 17 近海捕捞渔船更新改造补助 （1）政策依据：《农业农村部办公厅 财政部办公厅关于做 好 2021

浙江大学人工智能教育教学研 浙江大学人工智能教 浙 DeepSeek-R1：监督微调+强化学习训练 DeepSeek-R1-Zero （强推理模型） 推理导向强化学习 （准确率奖励+格式奖励） 纯强化学习训练 低可控：生成文本可 读性差、语言混乱 高探索自由度 => 推理能力自我觉醒 （更长的思维链、更深层次的 推理路径） DeepSeek-V3 （基础模型） 监督微调 行为可控 性 找到动 态平衡 混合数据 监督微调 面向全场景的强化学习 （规则奖励+奖励模型） DeepSeek-R1 （强推理模型） 671B 第一阶段训练：增强推理能力，生成高质量推理数据 第二阶段训练：增强通用能力，避免灾难性遗忘 对V3模型 监督微调 推理导向强化学习 （准确率奖励+可读性奖励） R1-Zero生成的 长思维链数据 60万条 推理数据 20万条 通用数据 过度延展的推理机制 解决方案？ 提升训练 数据质量 （标注、 过滤噪 声） 在强化学 习框架下 引入幻觉 在内的反 馈信息 给模型输 入更多的 正确知识； 检索增强 RAG 训练数据的奖励偏差 面临挑战3：创造力与幻觉率悖论？ prompt 中 添加对输 出结果的 约束条件， 让结果更 符合预期 优化表征 学习可以 让上下文 的表征更 为精准 浙江大学人工智能教育教学研究中心

定义的智能体具有长期和短期记忆、自主规划、工具使用和自动执行任务 的能力，能提高工作效率和用户体验。另外，智能体也分为单智能体和多智能体。单智 能体通过试错学习在单一环境中行动，追求最大奖励，多用于简易任务。多智能体在博 弈环境中行动，追求长期累积奖励，多用于复杂测试。 1.1Agent 模式架构解析 Agent 有效减少人类工作总量，人与 AI 协作才是最终形态。人类与 AI 交互可大致 分为三种模式。Embedding 的强化学习原理是 基于马尔可夫决策来完成的，简单来说可以分为状态集 S、行动集 A、奖励 R，下一时 刻的状态和奖励只与上一时刻的行动有关，与更早之前的状态无关。其模型原理就是让 智能体用试错的方式来学习，若某个策略能得到奖赏，则智能体产生该行为的策略就会 加强。其目的就是在单一环境中行动，尽可能得到最大的奖励。应用领域目前也较为广 泛，例如赛车游戏中连续动作的训练：控制方向盘、油门、刹车等动作，可由 多智能体系统中会有两个以上的智能体，他们一般存在着合作或竞争关系。这样模型称 为马尔科夫博弈，其状态转换符合马尔可夫决策，关系符合博弈。在多智能体模型中， 每个智能体的目标是找到最优策略来使它在任意状态下获得最大的长期累积奖励。由于 其模型更为复杂，干扰因素较多等原因，目前多智能体模型商业化产品较少。 图3 单智能体强化学习原理图 资料来源：CSDN，海通证券研究所 图4 多智能体强化学习原理图

岳阳市将全域旅游作为旅游业发展的主要方向，不断深化旅游机制体制改革，完善要素、 整合资源、集中力量、突出重点、丰富业态、打造亮点，大力实施全域旅游基地建设。为加快 推进国家全域旅游示范区创建，出台了《岳阳市旅游促销奖励办法》等一系列政策；开展“文 明旅游”主题宣传系列活动；以培育区域旅游品牌为核心，以“锦绣潇湘·天下洞庭”为品牌， 推动环洞庭湖“3+2”城市旅游合作联盟落地；继续推进景区提质升级和旅游“厕所革命”； 君山区出台贴息贷款专项资金管理办法或意见，对旅游项目，特别是乡村旅游以及旅游 公共类项目优先安排政府贷款贴息政策。 5 2.4.4旅游发展奖励或补助政策 5 3 缺少旅游发展奖励或补助政策。 积极推进洞庭湖博览园、钱粮湖龙虾小镇、天井山森林公园等项目列入国家、省级重点 旅游项目，并对重大项目年度完成率较高的制定奖励政策并付诸实施。 4 2.4.5开放性金融融资政策 5 2 金融融资渠道和方式单一，旅游营商环境有待提升。 制 化， 乡村旅游骨干定期轮训、交流尚未实现。 建立旅游人才培训基地，定期开展旅游人才培训活动、开展交流研讨会等。 6 2.6.4奖励机制 3 1 缺乏稳定长效的旅游人才奖励机制。 在旅游人才的奖励机制方面有具体举措，出台旅游人才考核奖励办法，建立稳定有效的 旅游人才奖励机制。 2 45 全域旅游创建指标评价 Create index evaluation 三 3.公共服务（该项满分230分，现状得分144分，规划后得分224分）