项目编号： DeepSeek 在工程造价上的 应 用 方 案 目 录 1. 引言...............................................................................................................6 1.1 项目背景........................... ..7 1.2 DeepSeek-R1 大模型简介.................................................................10 1.3 工程造价行业现状..............................................................................11 1.4 应用 DeepSeek-R1 ..........................................23 3. 工程造价的关键环节..................................................................................25 3.1 工程量清单编制.............................................

有线无线融合网络 物联网 统一联接管理 业户 访客 楼宇 设备房 摄像机 通行 停车场 消防 电梯 建 筑 / 园 区 的 智 能 化 改 造 不 仅 仅 是 硬 件 的 更 换 ， 同 时 软 件 服 务 系 设计 目标：模块选择，应用设计 成果：信息化初设文本 硬件配置 目标：配置硬件，定义接口 成果：智能化设计图纸 实施路径 实施 目标：定制开发，软硬件交付 成果：信息化平台，智能化工程 运维 目标：系统维护，降本增效 成果：能源优化，应用升级迭代 咨询 目标：分析需求，策划场景 成果：可研报告、咨询报告 产品一 产品二 设计同步 建设同步 应用模块迭加 EPC 总承包 智能化工程 信息化工程 建筑设计版块 建筑科技工程 信息化建设 算法提供商 旷世、科大讯飞。。。 B 中间件提供商 Tridium Siemens Jons 打造生态链

智算服 务，构建稳健高效的算力平台，才能将算力转化为驱动创新的价值源泉，持续 释放算力价值。 智算服务是发挥极致集群算力的关键要素，释放算力新质生产力，服务 不可或缺。智算集群是一个复杂工程系统，非简单的软硬件的堆砌，它要求 算、存、网、服务的高效协同。智算服务包含智算集成、运维、计算使能和优 化、辅助运营等方面。发挥极致集群算力，需要构建智算服务产业共识，持续 推进智算服务产业升维。 ......................................................................................... 9 图 4 老旧机楼智算改造和节能焕新 ................................................................................... 10 图 AI、大数据、云计算和高性能计算为核心的新一代信 息技术产业，旨在为各行各业提供高效、智能的数据处理与决策支持能力。随着全球数字 化转型加速，智算产业已成为推动经济增长、科技创新的关键基石。 政策与市场方面，中国“东数西算”工程、美国“人工智能行动计划 2”等政策加速 推进了智算基础设施布局；金融、医疗、制造等行业利用 AI 优化流程，提高生产力和效 率，使得智算服务市场年增速超 30%。 技术驱动方面，深度学习、

的应用还可以显著提升模型的自适应性，使其能够 更好地应对市场变化，从而在长期交易中实现更稳定的收益。本文 将详细探讨如何将 DeepSeek 框架引入股票量化交易的具体方案， 包括数据预处理、特征工程、模型训练与优化、策略回测及风险控 制等关键环节，为金融机构和投资者提供一套切实可行的应用方 案。 1.1 股票量化交易概述 股票量化交易是一种通过数学模型和计算机技术来执行交易策 略的方 历史交 易数据、实时市场数据、财务数据、新闻舆情数据等。通过 DeepSeek 的数据处理能力，系统将能够快速清洗、去重、标准化 这些数据，并构建高质量的训练数据集。此外，系统还将引入特征 工程模块，自动提取关键特征，为后续的模型训练提供有力支持。 模型构建是项目的关键环节，将采用 DeepSeek 的深度学习框 架，设计并训练多层次的神经网络模型。这些模型将针对不同的交 易策略进行 市场风 险，自动触发止损或止盈操作，确保交易风险在可控范围内。 项目的实施范围将涵盖以下关键模块：  数据采集与预处理模块：负责从多个数据源获取数据，并进行 清洗、标准化处理。  特征工程模块：自动提取并构建关键特征，为模型训练提供高 质量输入。  模型训练与优化模块：采用 DeepSeek 技术训练多层次神经 网络模型，并进行动态调参和优化。  交易执行模块：实现从信号生成到订单执行的全程自动化，支

测、碳排溯源与节能优化的闭环 辅 助 决 策 与 趋 势 预 测 大模型驱动的数据预测能够提 前预 警 潜在风险，为决策层提 供精准、科学 的策略参考，助力管理优化 人 机 智 能 协 同 互 动 通过大模型驱动对话，实现业务咨询反 馈的迅捷与精准，员工能够自动检索和 获取相关业务知识 自 动 化 报 告 编 制 实现巡检报告 、能耗 评估及故障追 月，麻省理工学院何凯明指出： Al 正在悄然重塑全球科研生态：“过去，不同学科间的交流 像隔着一堵高墙；如今，人工智能正成为所有科学家都能听懂的通用语言 " 。 自动化 工程热物理 新能源 化工 软件 工程 人工 智能 范式困境主要原因三：周期长、链条多、人员配合难度大效率低 18/80 口需要多个 团队 深度长期协作，难度大成本高 口从经济性角度而言，大部分项目支撑不起如此开销 新范式的本质：替代了人类专家的角色，把人从开发链条中移出 24/30 口重要意义：人的智力和工作时长，与芯片算力和运算时长之间建立了转换关系 ! Al 智 力 工业 4.0 人、机、物 互联互通 服务的互联网 门车 的 皙箱中网 智 芎 T 厂 ◎ 物品的互联网 今天 Eh 文 人的智力 工业 3.0 应用电子信息技术，

.......................150 1. 项目背景与目标 随着人工智能技术的快速发展，数据训练已成为 AI 模型开发 的核心环节。然而，当前数据训练过程缺乏系统化的评估与考核机 制，导致模型质量参差不齐，训练效率难以量化，资源分配不够优 化。为解决这些问题，有必要构建一套全面的人工智能数据训练考 评系统。 项目的核心目标在于建立标准化的数据训练考评体系，提升 AI 数据处理层是整个系统的核心部分，主要负责数据预处理、特 征工程和数据存储。该层对原始数据进行清洗、去噪、归一化等操 作，并通过特征提取和降维技术生成可用于模型训练的高质量数据 集。数据处理层还支持分布式计算框架，能够高效处理大规模数据 集，确保数据处理的效率和准确性。 模型训练层基于数据处理层输出的高质量数据集，采用多种机 器学习算法和深度学习框架进行模型训练。该层支持多节点分布式 以下是系统各层的关键功能和技术选型：  数据采集层：支持多源数据接入，采用 Kafka 和 Flume 实现 实时数据采集。  数据处理层：基于 Spark 和 Hadoop 进行分布式数据处理， 特征工程采用 Scikit-learn 和 TensorFlow。  模型训练层：采用 TensorFlow、PyTorch 等深度学习框架， 支持 Kubernetes 进行资源调度和管理。  考评分析层：基于

｜ 领 先 ｜ 深 度 ｜ 诚 信 中 泰 证 券 研 究 所 n DeepSeek 开源使金融机构能够轻松获得前沿模型能力，且大幅降低部署成本。其通过对训练方式、算法架构和推理方 法 的工程化优化大幅降低了部署成本。近期采用大规模 RL 训练方法的阿里 QwQ-32B 等模型也在缩小规模的同时达到了 DeepSeek R1 671B 的应用效果，有望进一步催生银行落地应用。 深度分析和决策辅助。 n 从实际落地应用情况看， 大行发力更早， 中小银行正在快速追赶。如工商银行、建设银行、招商银行等大行布局更早， 邮 储银行、浦发银行、江苏银行等也有较为领先布局应用。 AI 一体机的出现为机构提供了全新的解决方案，凭借其开箱 即 用、软硬件一体化设计等优势， 正在成为很多中小银行智能化转型的重要选择。 n 建议关注：宇信科技、京北方、天阳科技、长亮科技、百融云等。 n 接口或者数据中台架构，实现与传统银行技术系统的数据交互，从而实现各类业务高效高质的无 缝对接，有望释放海量私域数据价值。 Post-Train 阶段大规模强化学习的训练方法使模型拥有了更强的自主推理能力， 不 再依赖传统提示工程。根据 DeepSeek 的官方使用指南， 在使用模型时不建议添加系统提示（ system prompt ），而 是所 有指令都应当包含在用户提示（ user prompt ）中。这也显示出了模型通用推理能力在应用中的扩展。

、 软件开发工程师、系统架构师等；建立有效的沟通机制，确保项目 各方的信息对称和及时反馈。 具体任务分解如下： - 需求分析与模型定制：根据银行业务需 求，定制和优化 Deepseek 模型； - 模型部署与优化：设计部署方 案，优化模型参数，确保高效运行； - 系统集成与接口开发：将模 型集成到现有系统，开发 API 接口； - 监控与维护：建立监控机 制，确保系统长期稳定运行。 银行的数字化转型提供策略建议。监管机构也是重要的参与者，尤 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 动故 障恢复机制。系统应能够在硬件或软件故障发生时，在 10 秒内自 动切换到备用系统，确保服务的连续性。此外，系统需支持水平扩 展，以便在业务量增长时通过增加节点来提升处理能力，而无需停 机维护。 最后，安全性是银行系统不可忽视的性能需求。系统需具备高 效的加密和身份验证机制，确保数据传输和存储的安全性。同时， 系统应能够在不影响性能的情况下，实时检测和防御各种网络攻 击，如 DDoS

客服与技术 支持 阿里巴巴 强大的电商导向 中 商业智能与分析工具 按组件 付费 在线咨询与 社区 字节跳动 数据驱动的智能 推荐 中 内容创作与推荐系统 广告收 入分成 用户反馈机 制 通过对主要竞争者的深入分析，我们可以明确行业格局与自身 产品的定位，从而制定切实可行的市场进入策略与产品发展方向， 以期在快速发展的 AI 市场中占据有利地位。 2.2.2 竞争策略比较 ETL（提取、转换、加载）流程来管理数据，确 保数据的完整性与一致性。例如，外部数据源每天通过 API 接口获 取数据，并进行清洗、转换后写入非关系型数据库以供后续训练使 用。 为了确保数据的安全性，我们还需要设置访问权限和审计机 制。用户操作将被记录并存储在审计日志表中，以便事后追溯。 综上所述，通过合理的关系型和非关系型数据库设计，结合数 据流转和安全策略，能够有效支持人工智能行业大模型 SaaS 平台 的各项功能，保证数据的高效性、稳定性及安全性。 最优的超参数设置，减少用户手动调节的时间，用户亦可自定义参 数设置以满足特定需求。 模型训练过程中的数据处理能力也是关键。模块将支持数据的 预处理与增强功能，包括数据清洗、标准化、增强和特征工程等， 将用户上传的数据转化为可供模型有效学习的格式。在处理大规模 数据时，模块应实现分布式数据处理能力，确保训练过程不因数据 体量过大而拖慢速度。 为方便用户监控训练进度，模型训练模块需要提供实时的训练