行能力/功能升级、或以 DeepSeek为基座发布新AI教育应用和智能学习硬件，快速抢占DeepSeek模型带 来的AI创新机遇。 代表性教育企业围绕DeepSeek的布局总览 相较于其他通用及垂类大模型，DeepSeek能够得到头部教育企业广泛青睐、激起 抢滩布局，主要得益于其几大特点： l 深度思考模式：DeepSeek的深度思考模式能够输出自然语言形式的推理过 程，使得学习、解题的思 功能；新发布AI学习应用“随时问”，由自研九章大模型与DeepSeek大模型联合 支持，主打一站式智能化教育。围绕DeepSeek，学而思的AI教育布局呈现出双协 同、生态化特点： 1、突破单一模型局限，将教育垂类大模型与DeepSeek深度融合，结合DeepSeek 拆解复杂问题和语言交互的强项、及九章大模型深耕数学推理与学科知识图谱的优 势，实现精准分析/定位/回溯知识点、强化逻辑推理并显化思维路径、理解并输出 线接入DeepSeek、加速智能硬件创新，推动AI教育场景的深化与成本优化。 1、底层技术融合：构建DeepSeek-R1的通用智能推理能力与自研教育垂类大模型 “子曰”结合的混合架构，以提升复杂场景的AI教育能力精准度，并打造了基于 DeepSeek的多模态应用。 2、全线产品线接入：软件端，网易有道AI学习类App接入DeepSeek，以其深度思 维优势提升AI教育能力和个性化交互学习体验；此外，网易有道基于子曰教育大模 型

赋能两类实体领域，成本与效益的博弈：AI Agent 目前的应用大多都在概念层面， 但随着大模型竞争加快、政策鼓励研发投入、更多企业参与 AI 研究等因素，应用 层面的 AI Agent 推进速度加快。智能体大致可以分为六类，根据他们被设计出的 特点，可以作用在不同的应用领域上。不同类别的智能体给予应用层面上更多研 发方向，像目前关注度较高的自动驾驶技术、智能电网控制、能源管理等都能被 垂类智能 垂类智能体覆盖。结合多模态大模型，自动化和情感需求类智能体已落地。但商 业化智能体仍需考虑成本问题，由于智能体之间的交互过程可能出现错误循环且 输出结果不一定符合需求，tokens 成本远高于普通 LLMs。  人工智能发展迅猛，智能体商业化落地：未来多方面推动人工智能发展，应用级 别智能体有望快速落地。国内各地相继出台关于人工智能的发展政策，推动其为 重要的研究方向。预计 2026 年国内人工智能市场规模超过 应用场景：赋能两类实体领域，成本与效益的博弈 ....................................................... 8 2.1 自动化类：微软智能体 AutoGen ......................................................................... 9 2.2 情感需求类：陪伴型智能体

ChatGPT 所能实现的人类意图，来自于机器学习、神经网络以及 Transformer 模型的多种技术模型积累 2019 年 GPT-2 BART RoBERTa ChatGPT 经过多类技术积累 ，最终形成针对人类反馈信息学习的大规模预训练语言模 型 2018 年 GPT-1 T5 BERT 2020 年 GPT-3 M2m- 100 XLM 进行海量数据学习训练 1.0 时代 AI 2.0 时代 图像分类 文本分类 信用评估 房价预测 销量预测 客户分群 新闻聚类 广告定向 社区发现 文生图 文生视频 语音与对话 影视与广告 文章报告 问答内容 人像写真 广告图片 样例代码 测试用例 视频生成 分类 聚类 回归 文本生成 语音生成 代码生成 图像生成 Multi-task Language Understanding WebBrowseAndSummarize 工具浏览网页并总结网页内容（此工具调用了 LLM ） 第三步：调用 ConductResearch 工具生成调研报告（此工具调用了 LLM ） 一个具体的例子 类 型 名称 说明 角 色 Researcher 调研员智能体， 从网络进行搜索并总结报告。通过 LLM 提示工程 (Prompt Engineering) ，让 LLM 以 调研员的角色去规划

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 训练生成的强化推理能力模型，在数学、 代 码生成和逻辑推断等复杂推理任务上表现优异。 NFS 协议存储 NAS/CSP 云服务器 u 公有云 HCC 高性能服务器，一键纳管 u 私有化服务器，支持 X86+ARM 统一纳 管 自研行业大模型 u 金融 / 汽车 / 医疗，提升垂类任务性能 u 支持知识增强、实时更新知识库 开源大模型 u Deep seek 全 系 u Llama/baichuan/chatglm/Qwen 等 自研混元大模型 u 从零训练自主创新的通用大模型 高准确的复杂文档解析、切分能力 基于 OCR 大模型，打造的解析引擎，突破图文混排版面分析、 复杂表格识别等文档解析技术瓶颈，支持超过 20 类文档类型。 业界首个支持 200MB 以上超大文档 vs. 业内普遍 100MB 内 丰富的文档类型，超过 26 类 vs. 业内普遍 10 类以内 支持图文混排（多列排版）版面分析 、图文表 / 公式 / 页眉等元素识别 识别精度高、图片元素不丢失 大模型知识引擎

依赖它。他们购买了大量英 伟达的芯片，并找到了自己的方法，推动了他们的 DeepSeek 模型。这种 情况必须结束。” • 美国商务部工业与安全局BIS启动对新加坡芯片转口贸易调查，核查 HS8542类目芯片是否违规流向DeepSeek，拟议对华禁售H20芯片 • 美国国会、得州、NASA、美国海军、美国国防部已禁止使用 deepseek。 • Anthropic CEO达里奥·阿莫迪：对于 DeepSeek 全面上线辽宁省热线平台：服务80+坐席人员， 工单填单时间由186s/单下降到133s/单；工单 记录完整度提升30%  在热点事件分析场景：处理90余万张工单，完 成12万个小区数据抽取，形成供水、供电、供 热等6类单位画像  热线数据报告：围绕投诉、求助、建议与举报信 息开展时空定位、问题萃取、颗粒缩放、精细诊 断等多维度分析，输出周期报告和专题报告 大模型赋能政务热线应用 n 联通数智公司联合辽宁产互 “粤经济”全面打通了横向30多个厅局和纵向21个地市的 经济运行相关数据，实现全省经济发展分析”一屏总览”；  元景—经济大模型在“粤经济”上部署实施，发挥联通多源 大数据的独特优势，基于全国高质量经济语料，打造经济垂 直领域大模型，模型在查数据、问知识、做推理、快分析等 经济领域任务中都表现良好。 广东政数局 ”粤经济“平台 n 经济运行大模型落地北京发改委、广东政数局等多省市项目 -23- 大模型赋能公安智能化

2.5 怡安保险· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 131 6.1.2 应用场景：由非决策类场景向决策类场景过渡· · · · · · · 135 6.1.3 多模态大模型：落地应用潜力巨大· · · · · · · · · · · · · · · · 136 6.2 行业实践建议· · · · E架构在大规 模语言模型和其他复杂任务中得到了广泛应用，显示出其在处理大规模数据和复杂问题 上的巨大潜力。 MoE模型的具体工作原理可用中国的一句古语“术业有专攻”来概括，通过把任务分 门别类，然后分给多个特定的“专家”进行解决，提高了模型的效率和灵活性。例如， OpenAI的GPT-4、谷歌的Gemini、Mistral AI的Mistral、xAI的Grok-1等主流大模型都采用 发《关于扎实做好科技金融大文章的工作方案》 （下称《工作方案》）。 《工作方案》以习近平新时代中国特色社会主义思想为指导，加强基础制度建设，健全 激励约束机制，推动金融机构和金融市场全面提升科技金融服务能力、强度和水平，为各 类创新主体的科技创新活动提供全链条全生命周期金融服务，精准支持国家重大科技任 务、科技型企业培育发展、战略性新兴产业发展和未来产业布局、传统产业技术改造和基 础再造、国家和区域科技创新高地建设等重点领域。

过学习用户的习惯自动完成文档编辑、邮件 回复、日程安排等重复性工作。 嵌入式软件是指专门为运行在嵌入式系统上的应用设计的软件，它集成了人工智能算法与技术，以实现特定设备或系统的智能化操作。这 类软件通常被优化以适应有限的硬件资源，如处理器性能、内存和功耗限制，同时提供诸如自动控制、数据采集与分析、故障预测及自我 修复等功能。嵌入式智能软件广泛应用于物联网（IoT）设备、智能家居、工业自动化 2,414亿元人民币，实现了12.3%的同比增长率。截至2023年末，中国工业软件企业 的关键生产工序数控化比率攀升至62.2%，而数字化研发设计工具的普及率亦高达79.6%。在此背景下，研发设计类工业软件占据了市 场10%的份额，彰显了其在整体工业软件市场中的重要地位。 行业规模 智能软件研发行业规模的概况 智能软件研发行业市场规模历史变化的原因如下： 智能软件研发行业市场规模未来变化的原因主要包括： 部、交通运输部、文化和旅游部、 国务院国资委、中国科学院 生效日期 2024-01-01 影响 8 政策内容 探索以区块链为核心技术、以数据为关键要素，构建下一代互联网创新应用和数字化生态。面向新一代移动信息网络、类脑智能等加快软件产品研发，鼓励新产品示 范应用，激发信息服务潜能。 政策解读 该政策旨在，促进智能软件研发行业通过强化技术创新、深化应用领域及优化产业结构，推动智能化与实体经济深度融合，加速培育新兴产业生态，提升行业整体竞

2 万份审计报告中的关键发现，支持相 似案例匹配检索 智能处理层部署混合推理机制，结合规则引擎与深度学习模 型。对于程序性审计任务（如存货监盘检查），采用基于决策树的 确定性推理；对于职业判断类任务（如关联交易公允性评估），使 用微调的 DeepSeek-R1 模型，在证监会披露样本测试中显示审计 意见预测准确率提升 37%。动态工作内存区实现上下文保持，确保 多轮对话中能持续追踪审计证据链条。 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 数据需标注采集时间戳。 审计数据的预处理流程分为四阶段：清洗、转换、增强、归 集。清洗阶段通过规则引擎处理缺失值与异常值，例如对金额字段 的空值填充采用同行 凭证）、非结构化数据（如合 同文本扫描件）以及时序数据（如银行流水）的统一处理。通过特 征提取引擎自动生成审计特征矩阵，典型特征包括但不限于：凭证 金额离散度、交易时间集中度、关联方交易频次等 12 类核心指 标。 分析层采用混合推理模式，其技术实现如下表所示： 组件 技术实现 性能指标 规则引擎 基于 Drools 框架实现 300+条审计规则，支持动态 加载 单规则执行时间 <50ms

案例：某国有银行企业风险预警 关系图谱风险预警：通过互联网采集平台，整合行内外客户关联不交易信息，通过 OEC 平台进行深度挖掘不加工，识别 4 类客户关联关系，如：投资关系、担保关系、 管理关系、股权关系四维度图谱。 混合算法引擎 KNN 决策树 SVM 层次分析 聚类 业务规则 OEC 平台模型处 理 • 业务建模 • 中文分词 / 词性标注 • 实体识别 / 时间短语识别 Discover information 股权结构 投资关系 担保关系 4 、关联关系图谱：通过互联网采集平台，整合行内外客户关联与交易信息，通过 OEC 平台进行深度挖掘与加工，识别 4 类 客 户关联关系，如：投资关系、担保关系、管理关系、股权关系四维度图谱。 案例：某国有银行企业风险预警 企业关联关系图谱 管理结构 用智慧发现信息价值 Discover information 、关联关系图谱：通过互联网采集平台，整合行内外客户关联与交易信息，通过 OEC 平台进行深度挖掘与加工，识别 4 类 客 户关联关系，如：投资关系、担保关系、管理关系、股权关系四维度图谱。 案例：某国有银行企业风险预警 企业关联关系图谱 以宏观统计数据、互联网舆情数据和企业违规行政处罚类数据为基础， 通过加权平均计算企业出风险分数，再通过归 一化处理形成企业风险指数 案例：某国有银行企业风险预警

体、新闻网站、论坛等公开平台，采集实时信息。爬虫设计需遵循 目标网站的服务协议，避免对服务器造成过大负载，并使用反爬虫 策略（如 IP 轮换、请求间隔控制）降低被拦截的风险。此外，数 据的采集频率应根据需求动态调整，如新闻类数据可每日采集，而 行业报告可按季度更新。 在数据采集过程中，需建立质量控制机制，包括： - 数据去 重：通过哈希算法或相似度计算去除重复数据。 - 数据清洗：去除 无效字符、缺失值填充、格式标准化等。 够处理多种复杂的语言任务。选择模型时，还需考虑其开源社区支 持、模型复杂度以及训练时间等因素。 在架构设计方面，需根据具体任务进行定制化调整。例如，对 于问答系统，可以在 BERT 的基础上添加额外的输出层以处理多分 类或序列标注任务。对于生成任务，如文本生成，可选择 GPT 系 列模型，并通过调整层级、注意力头数以及隐藏层维度来优化性 能。此外，架构设计中应充分考虑模型的扩展性和灵活性，以便在 未来需求变化时能够快速调整。 流模型，分别适用于生成任务和分类/理解任务。 根据任务的复杂性，模型类型可分为以下两类： 1. 生成式模 型：如 GPT-3、GPT-4，适用于需要生成文本、问答、对话等场 景。此类模型具有较强的上下文理解能力和生成多样性，适合处理 开放式问题。 2. 判别式模型：如 BERT、RoBERTa，适用于文本分 类、实体识别、情感分析等任务。此类模型在捕捉文本语义和上下 文关系方面表现优异，适合处理结构化或半结构化数据。