多模态能力：支持文本、图像、音频等多种数据类型的生成与 处理。  灵活性：根据具体需求进行调整，能够针对不同的应用场景提 供解决方案。  高效性：在某些情况下，生成的内容能够达到或超过人类专家 的水平，提高效率并降低误诊率。  个性化：能够根据用户特定的需求或者特征提供量身定制的内 容或建议。 通过这些特点，AI 生成式大模型在医疗场景中的应用展现出广 泛的潜力，能够大幅提升诊断的精确度、治疗的针对性以及医疗服 可以在相对较少的标签数据的情况下，依然能够应用于疾 病预测和临床决策支持系统。 4. fine-tuning 技术的成熟：使得在特定领域（如医学）中进行 模型微调成为可能，从而提高了模型在具体医疗场景中的表 现。这种技术允许临床专家利用小规模医疗数据集对预训练模 型进行调整，使其能够更好地适应特定医疗需求。 5. 伦理和安全性的关注：在医疗应用中，AI 生成式模型的伦理 和安全性受到越来越多的重视。目前，已经有多项研究开始探 度，也对治疗的有效性产生了积极影响。 此外，在提高医疗效率方面，AI 生成式大模型能够在多个环节 中优化流程。例如，在预约挂号、问诊初步筛查流程中，可以通过 模型自动处理患者的描述-症状匹配，从而安排合适的专家进行进 一步诊疗。这不仅减少了患者的等待时间，也提高了医生的工作效 率。 为了更具体地体现医疗场景的需求分析，可以列出以下几个关 键需求： 1. 数据智能整理与分析 2. 个性化诊疗方案制定

需要耗费 40%的工作时间在数据清洗与基础核对上，而抽样检查覆 盖率不足 5%的现象普遍存在，隐藏了重大风险盲区。其次，复杂 交易场景（如跨境并购、金融衍生品）的审计依赖专家经验判断， 但资深审计师资源稀缺，全球四大会计师事务所的专家顾问供需缺 口达 37%。最后，实时审计需求与滞后分析能力的矛盾突出，特别 是在区块链、云计算等新技术应用场景中，传统审计方法难以实现 交易链路的全流程穿透。 1.3 DeepSeek 技术简介及其在审计中的潜力 DeepSeek 作为新一代大语言模型（LLM）技术平台，其核心 优势在于多模态数据处理、复杂逻辑推理和行业知识融合能力。该 技术采用混合专家模型（MoE）架构，通过万亿级 token 的审计行 业语料预训练，在会计准则、税务法规、风险识别等垂直领域展现 出超过 85%的准确率。其知识截止 2023 年的特点，确保了在审计 政策时效性方面的可靠性，例如能够准确识别 内。 关键审计判断逻辑采用混合决策机制： 1. 结构化数据规则引 擎：处理税率计算、勾稽关系校验等确定性任务 2. 深度学习模 型：处理关联方识别、异常交易检测等非结构化问题 3. 专家系 统：对重大风险事项启动预设审计程序链 应用层构建审计工作台界面，集成三大核心功能：智能抽样模 块采用分层贝叶斯方法，在 95%置信水平下将抽样量降低 40%； 底稿自动生成模块支持按证监会各板块要求一键生成差异化的审计

硬件基础设施的采购与搭建； - 模型的商业化推广与运营； - 知识库的长期维护与更新。 1.4 项目团队及职责分工 本项目的团队由项目经理、数据工程师、算法工程师、AI 模型 训练师、质量保证专家和产品经理组成，确保项目在各个环节都能 高效推进并达到预期目标。项目经理负责整体项目的规划、进度管 理和资源协调，确保项目按时交付并符合预算要求。数据工程师负 责数据的采集、清洗和预处理，确保数据的完整性和质量，同时开 算法工程师负责设计和优化算法，解决数据处理和模型训练中的技 术难题，确保算法的高效性和可扩展性。AI 模型训练师负责模型的 训练、调优和验证，选择合适的模型架构和超参数，确保模型在性 能、准确性和泛化能力上达到最优。质量保证专家负责对项目各个 环节进行质量监控和测试，确保数据处理和模型训练的准确性和稳 定性，制定并执行测试计划，及时发现并解决潜在问题。产品经理 负责与业务方沟通，明确需求并将业务需求转化为技术实现方案， 模型训练中的技术难题，确保算法的高效性和可扩展性。  AI 模型训练师：负责模型的训练、调优和验证，选择合适的 模型架构和超参数，确保模型在性能、准确性和泛化能力上达 到最优。  质量保证专家：负责质量监控和测试，制定测试计划，执行测 试用例，及时发现并解决潜在问题。  产品经理：负责与业务方沟通，明确需求并将业务需求转化为 技术实现方案，确保项目输出的成果能够满足业务需求。

动保 险行业从科技赋能向科技引领的转变。同时，我们也呼吁行业同仁和合作伙伴加强交流与 合作，共同推动科技保险和数字保险的发展，共创保险行业的美好未来！ 最后，我们要诚挚感谢所有参与白皮书编写的专家学者、行业同仁和技术伙伴。正是大 家的共同努力和无私奉献，才使得这本白皮书得以顺利问世。我们将继续秉持开放、合作、 创新的精神，与各界携手共进，共同书写保险行业智能化转型的新篇章！ � CONTENTS 为算力提升提供了强有力的保障；多模态模型的突破性进展，打破了传统人工智能（AI）技 术界限，实现了信息处理能力的全面升级；视频生成模型的显著进步，更是让创意与想象 在数字世界中自由翱翔；而混合专家系统（MoE）架构的广泛应用，则进一步提升了模型的 灵活性与效率。此外，开源模型的不断涌现，不仅加速了技术的普及与应用，也为全球开发 者共同推动AI技术的进步搭建了广阔的舞台。 1.引言 1 的文本内容。GPT-4o近乎实时的语音和视频交互体验，标志着人机交互迎来了新的变革。 （3）MoE架构 混合专家系统（Mixture of Experts, MoE）架构是一种新颖的深度学习模型架构，它通 过将多个“专家”子模型集成在一起来处理更大规模的数据和更复杂的任务。每个专家子 模型都是一个小型的神经网络，擅长处理任务的某一方面。过去一年中，MoE架构在大规 模语言模型和其他复杂任

要将其应用到私有系统中，必然需要大量标注数据。 Performance Upgrading Fixing bugs New features （ 1 ）传统日志分析算法只输出“告警 / 正常”，对于异常日志无反馈，需要专家阅 读相关日志模板，人力整理生成分析报告，费时费力。 （ 2 ）只给出预测结果，对于报假警、漏报等情况不能很快地排除，需要结合原始 LogPrompt 依赖于任务数据，专家标注耗时耗力， 自适应性差 智慧有限，可解释性差，直接输出告 警结论，无法实现告警事件分析 • 以思维链提示引擎激发大语言模型的领域文本分析能力和根因推理 能 力，在告警日志纷杂的信息中梳理思维链逻辑， 根据用户需求描述，以多轮对话的方式灵活地提供告警查询、定位、 分析服务。 无需训练资源，可灵活迁移至不同设备应用 • 依托大模型预训练阶段内生通用知识，不再单独进行领域微调 • 基于 Prompt 策略注入领域专家对齐信息，快速灵活迁移 增强分析结果的可解释性、可交互性 LLM 作为运维智慧体的潜力与挑战 : 大模型有强语言泛化与 解释 能力，但是对 Prompt 敏感 Unlike existing

的工程师和量化分析师组成，能够快速响应并解决用户在使用过程 中遇到的技术问题。 此外，我们还设立了专门的用户社区，用户可以在社区中交流 经验、分享策略和讨论市场动态。社区定期举办线上研讨会和专家 讲座，邀请业内专家为用户提供最新的市场洞察和策略建议。 以下是我们提供的培训与支持服务的详细列表：  多层次培训课程：初级、中级、高级  教材与实战案例：详细的操作指南和实例分析  模拟环境：提供模拟交易平台进行实践操作 模拟环境：提供模拟交易平台进行实践操作  在线问答与实时辅导：即时反馈与问题解决  考核与认证：通过考核获得使用资格认证  **7*24 小时技术支持**：全天候的技术支持服务  用户社区：经验交流、策略分享与专家讲座 通过上述措施，我们能够确保用户不仅能够快速上手 DeepSeek 应用方案，还能在不断的学习与实践中提升其量化交易 技能，最终实现更高效、更智能的投资决策。 12.1 用户培训计划 为了确保用户能够熟练掌握 功能并提升实战 能力。 定制化培训则根据用户的具体需求进行个性化设计，内容可能 包括特定行业的数据分析、定制策略的开发与优化、以及与其他金 融工具的集成等。培训将由 DeepSeek 的技术专家一对一指导，确 保用户能够解决实际问题并最大化利用平台的功能。 培训结束后，用户将获得一份详细的培训手册和操作指南，并 可以通过平台的在线支持系统随时获取技术帮助。此 外，DeepSeek

其是在模型合规性、数据隐私保护和模型透明度方面，银行需要与 其保持密切沟通。 在项目团队的组织架构中，设定了明确的责任分工和协作机 制。项目总负责人由银行高层管理人员担任，负责整体战略决策和 资源调配。技术团队由银行的 IT 专家和 Deepseek 的技术人员组 成，专注于模型部署和技术实现。业务团队则由各部门的业务骨干 组成，确保模型功能与业务需求紧密匹配。风险合规团队则负责监 督项目的合规性，降低潜在风险。 为 护能力。通过模拟潜在的攻击场景，验证模型在面对数据泄露、恶 意攻击等情况时的防护能力。安全性测试将涵盖数据加密、访问控 制、以及日志审计等方面的内容。 最后，我们将进行用户验收测试（UAT），邀请银行业务专家 和最终用户参与测试，确保模型在实际业务中的表现符合预 期。UAT 将模拟真实的业务操作流程，收集用户的反馈并进行优化 调整。 为了确保测试的全面性和可追溯性，我们将制定详细的测试计 划文 小时内 数据同步延迟 后台系统 低 低 72 小时内 120 小时 内 在问题分析阶段，应采用根因分析（RCA）方法，确定问题的 根本原因并制定解决方案。对于复杂问题，可以组织跨部门的技术 专家进行联合分析和讨论，确保问题的高效解决。同时，所有问题 的解决过程和结果应通过文档形式进行记录，并归档至知识库中， 供未来参考和学习。 为了解决高优先级问题的快速响应，可以设置 24/7 的技术支

和市场拓展，在自然语言处理和大型语言模型方面取得了显著进展，在国际市场上获得 了 广泛认可。其中： ● DeepSeek-V3 是在 14.8 万亿高质量 token 上完成预训练的一个强大的混合专家 (MoE) 语言模型，拥有 6710 亿参数（激活参数 370 亿）。作为通用大语言模型，其在 在知识类任 务（知识问答、内容生成等）领域表现出色。 ● DeepSeek-R1 是基于 DeepSeek-V3-Base 适用于有灵活回复或快速搭建 需 求的服务问答场景。 要稳定选标准模式，要定制选工作流，要尝鲜选 Agent ！ 腾讯云大模型知识引擎：三大应用模式，满足客户多样需求 文件助手 员工服务 专家助手 智能客服 把企业五花八门的知识库喂给大模型，没那么简单！ 难点：企业知识格式多样、图文并茂 复杂排版的阅读顺序 复杂的子元素识别 复杂的表格结构 跨栏段落

的准确性，模 块内置了多轮交叉验证机制，避免因数据集划分不合理导致的评估 偏差。 此外，考评模块还支持人工介入评估。在某些复杂场景下，自 动化评估可能无法完全反映模型的真实表现，此时需要通过专家评 审或用户反馈进行补充评估。为此，模块设计了便捷的交互界面， 支持评估人员手动标注测试结果、添加评语，并将这些信息与自动 化评估结果整合，生成综合考评报告。 为了提升考评的灵活性和可扩展性，模块采用了插件化设计， 为了全面实施考评，建议采用自动化考评工具与人工审核相结 合的方式。自动化考评工具能够实时监控各项指标并生成报告，减 少人工干预，提高考评效率；人工审核则用于处理复杂场景和异常 情况，确保考评结果的公正性和准确性。此外，定期组织专家评审 和技术复盘，对考评结果进行深入分析，找出问题根源并提出改进 措施。 考评频次应根据实际需求和系统发展阶段灵活调整。在系统建 设初期，建议采用高频次考评（如每周一次），以便快速发现问题 1. 数据准备：收集训练数据、测试数据及相关日志文件。 2. 指标计算：使用自动化工具计算各项考评指标。 3. 结果分析：对考评结果进行分类汇总，识别异常指标。 4. 问题定位：结合日志文件和专家经验，定位问题根源。 5. 改进实施：制定改进措施并落实，跟踪改进效果。 考评结果应以可视化方式呈现，便于相关人员快速理解和决 策。例如，使用仪表盘展示关键指标的实时状态，生成报表对比不 同

）进行优化；在后训练阶段采用冷启动 + 大规模强化学习 方 式，不再使用传统 SFT 做大规模监督微调， 甚至绕过了一些 CUDA ，采用 PTX 汇编来提升能力；在推理场景下通过 大规模 跨节点专家并行（ Expert Parallelism ， EP ）来优化通信开销，尽可能实现负载均衡。 图表： DeepSeek R1 架构图 十分复杂且效率低下。 DeepSeek 为银行信贷审批注入新动力， 助力审批流程实现智能化与自动化。 n 苏商银行应用 DeepSeek-VL2 多模态模型，通过构建“多模态技术 + 混合专家框架”的创新体系，实现对嵌套表格、影 像资料等复杂场景材料的精准解析，将信贷材料综合识别准确率提升至 97% 以上，信贷审核全流程效率提升了 20% 。 图表：苏商银行 AI 布局 资料来源：苏商银行公众号，中泰证券研究所