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

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

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

...................................................................................... 7 3.1 基础设施类服务 ................................................................................................. .. 11 3.1.5 联合开发智算运维调度系统保证集群训练长稳高效 ............................................. 13 3.2 模型支持和行业应用类服务 ......................................................................................... 15 3.2 第二章 智算服务架构 智算服务架构总体分为三类：基础设施类服务，模型支持类服务和行业应用类服务。 如下图 1 所示。 图 1 智算中心服务架构图 基础设施类服务包含业务咨询，规划设计，实施建设，运维服务以及运营优化等； 模型支持类服务包含模型选择，数据治理，模型迁移，模型调优以及模型运营等； 行业应用类服务包含通信、互联网、政府和公共事业，金融，教育、医疗等行业的智算

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

200 1800 <0.2% 1 ≤ 小时 系统集成拓扑采用混合部署模式，客户敏感数据存储于本地化 CRM 数据库，通过专用数据管道向云端 DeepSeek 模型服务推送 脱敏特征数据。实时交互类场景部署边缘计算节点，将模型推理延 迟控制在 100ms 以内。历史数据迁移采用分片增量同步策略，每 批次处理 5 万条记录，失败自动重试 3 次后进入死信队列人工干 预。 异常处理机制包含三级熔断策略：当接口错误率超过阈值时， ” 风险预警：检测对话中的负面情绪关键词（ 退款 、 举报 ）， 触发升级流程 3. 知识检索：自动关联产品文档库，回答复杂技术参数问题（响应 速度<500ms） 预测性维护提醒 针对设备类客户，通过分析设备日志数据与历史报修记录： - 提前 14 天预测可能故障部件 - 自动生成预防性维护建议（含备件清单和操作视频链接） - 同步推送服务经理移动端，确保及时跟进 跨渠道体验优化 工单自动化流转 当模型检测到需人工介入的情形（如客户情绪值>0.7 或涉及 多系统协同），自动创建工单并推送至相应部门。系统采用分 级派单机制： o 初级问题分配至一线客服 o 技术类问题直达技术支持组 o 投诉类工单优先升级至主管队列 4. 持续学习机制 系统建立闭环优化流程：每日抽取 5%的已处理工单进行人工 复核，将修正结果反馈至模型训练集。每月更新一次模型参 数，确保知识库与业务变更保持同步。同时设置敏感词过滤

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。

用户没有明确目的 . 机器人也没有标准答案 . 以相关性、趣味性为评估指标 任务型对话 闲聊 问答型对话 帮我订张机票 我好无聊啊 什么是人工智能？ s 种不同的对话类 型 知识库 基于知识库的智能问答 知识库由若干个知识点组成， 每个知识点都包含若干个 语 义相同的问题，这些问 题可 以被同样的答案来回 答。 问答机器人将用户的问题匹配 到知识库中最相近的知识点上， 以准确率为评估指标 . 用户没有明确目的 . 机器人也没有标准答案 . 以相关性、趣味性为评估指 标 闲聊 问答型对话 我好无聊啊 什么是人工智能？ s 种不同的对话类 型 • Automatic speech recognition (ASR) • 将语音信号转为文本 • Natural language understanding (NLU) . 用户希望完成特定的任务 . 机器人通过多轮对话满足用户需 求 . 以需求完成率为评估指标 任务型对话 问答型对话 帮我订张机票 什么是人工智能？ s 种不同的对话类 型 检索式的闲聊对话系统 [Zhou 2016] 生成式的闲聊对话系统 [Huang 2016] • 通常以来自互联网的大量句对作为训练数据 • 有检索式和生成式两大类方法