的"风暴眼"。各大细分赛道头部企业如学而思、网易有道、中公教育、希沃等纷纷 抢滩接入DeepSeek-R1大模型，并围绕DeepSeek能力开启软件与硬件业务方向的 智能升级、创新，推动行业走向AI原生教育的新生态。 一、教育企业快速拥抱DeepSeek，以其思维链、高性价 比优势掀起新一轮变革 DeepSeek-R1自2025年1月20日正式发布以来，热度快速且持续增长，C端流量爆 发的同时，网易有道、学而思、希沃、中公教育等头部企业先后宣布拥抱 成本显著低于其他主流商业大模型及自研教育大模型成本，降低教育企业发展 AI业务的门槛。 在以上能力优势之下，DeepSeek为AI教育的突破发展带来了核心推动力。月狐分 析选取学而思、网易有道为代表，进一步分析教育企业基于DeepSeek开展的新一 轮AI教育革新。 二、学而思：DeepSeek为基座，融合九章大模型能力， 实现双协同、生态化布局 2月8日至今，学而思先后将AI学习机、学练机等硬件产品接入DeepSeek，以其深 DeepSeek，以其深 度思考模式升级产品AI能力，已于旗舰机开启灰度测试并将陆续上线免费智能教育 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

DeepSeek 银行部署加速， AI 金融应用迎来跃迁 分析师：闻学臣 执业证书编号： S0740519090007 分析师：王雪晴 执业证书编号： S0740524120003 分析师：苏仪 执业证书编号： S0740520060001 联系人：蒋丹 Email ： jiangdan@zts.com.cn | 证 券 研 究 报 告 | 2 0 2 5 5 . 03 . 1 3 专 业 ｜ 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。 网点运营、远程银行、运营管理、人力资源、智慧办公、智能研发等 农业银行 智能问答、智能客服、辅助编程、智能办公、智能风控等 中国银行 内部知识服务、辅助编码等 建设银行 智能客服、市场营销、投研报告、智慧办公、智能运营、智能风控等 交通银行 办公助手、客服问答等 邮储银行 研发测试、运营管理、客户营销、智能风控、消费者权益保护等 中信银行 落地代码生成、智能操作等 平安银行 零售风控

践操作产生深远的影响。在技术进步的强大动力牵 引下，需要重新审视并优化应急管理信息化建设路 收稿日期 2023-10-19 录用日期 2024-01-12 国 家 社 会 科 学 基 金（20BZZ037）, 广 东 省 哲 学 社 会 科 学 规 划 项 目 （GD24XGL075）资助 *通信作者简介 黄欢（1976— ）, 男, 湖南常德人, 硕士, 助理研究员。 基于大语言模型技术的智慧应急应用： 20278/j.jc2.2096-0204.2024.0158 指 挥 与 控 制 学 报 JOURNAL OF COMMAND AND CONTROL 第11卷 第2期 2025年4月 Vol. 11，No. 2 April，2025 www.jc2.org.cn 11卷 指 挥 与 控 制 学 报 径，使其适应人工智能大模型时代的治理要求。 本文在分析大语言模型的知识获取原理与知识 参数 足 够 多 ，模 型 开 始 涌 现 某 些 能 力（emergent abili⁃ ties）[5]，不仅能够理解和生成自然语言，还具有抽象 和推理的能力[6]，能在艺术创作、代码编写、科学研 究等多个领域展现出类似人类水平的创造力。这些 能力的涌现，使得知识创新不再受限于个体的认知 和经验，能够打破学科和专业的壁垒，加速知识的 融合和创新，预示着知识生产方式正在经历一场深 刻的变革，将引领我们进入了一个人机协作的知识

项目编号： AIGC 生成式大模型医疗场景应用可行性 研 究 报 告 目 录 1. 引言...............................................................................................................6 1.1 背景介绍....................... 内处理海量的信息并做出决策，这无疑增加了医疗风险。生成式大 模型通过自然语言处理、图像生成等技术，可以在多方面为医疗应 用提供支持。 首先，生成式大模型可以应用于临床诊断辅助。通过分析患者 的症状、实验室结果及影像学资料，这些模型能够生成初步的诊断 建议。这不仅提高了诊断的准确性，还可以减少医生的工作负担。 基于以往的病例数据，模型能够识别趋势和模式，从而为疾病的早 期发现和预防提供数据支持。 其次，在治 况，提供针对性的健康指导和信息。这样一来，患者不仅能更好地 理解自己的病情，还能增强对健康管理的积极性。 生成式大模型在医疗场景的可行应用还包括：  医学文献的自动生成与更新，便于医生获取最新资讯  影像学数据的智能分析，辅助影像科医生做出诊断  健康监测与预警系统，实现对慢性病患者的实时跟踪 在实际应用过程中，还需强调数据安全与隐私保护。医疗行业 涉及大量的个人健康信息，如何确保这些数据在被模型处理时不被

of Computer Science and Technology, Tsinghua University, Beijing 100084 第 51 卷 第 1 期 自 动 化 学 报 Vol. 51, No. 1 2025 年 1 月 ACTA AUTOMATICA SINICA January, 2025 数更新或微调的情况下, 仅通过文本交互来指定任 务和少样本示例就能很好地完成各类任务 随着大模型的发展, 近年基于大模型的具身智 能工作已经成为研究热点, 各类试图将二者结合的 工作层出不穷. 尽管目前有一些以具身智能为主题 的综述[21−23], 但并未聚焦于大模型. 目前也有综述研 究大模型在机器人上的应用[24−28], 但不同的是, 本文 的内容更倾向于从具身智能的角度介绍二者如何有 机结合, 并加入对模型规划层级的分类探讨. 此外, 由于该领域发展迅速, 在上述论文发布后又涌现出 第 2 节分析大模型分别在需求级、任务级、规划级、动作 级这四个控制层级上为具身智能提供的规划; 第 3 节对各类实现大模型结合具身智能的系统架构进行 分类与介绍; 第 4 节从模拟器、模仿学习和视频学 习等方面介绍具身智能训练的数据来源, 探讨大模 型如何为机器人训练带来丰富的数据; 最后在第 5 节对全文进行总结并提出研究方向. 1 感知与理解 在与环境的交互中, 具身智能通过摄像头、麦

颈的根源，如高故障率 可能与低资源利用率有关。 阀值分析：为每个运维指标设定合理的阈值，当指标值超过阈值时触发告警，以便及时 发现并处理潜在问题。 （三）指标可观测性建设 讯飞自研大模型运维和调度系统，通过可视化技术将智算运维数据、指标、状态等信息 以图形化的形式展示出来。运维数据可观测的主要目的是提供更直观、易于理解和使用的界 面，帮助运维人员更直观地理解系统的状态、性能和问题，并能够快速采取相应的措施解决 学类课程专属智能 科教融合系统的开发与创新应用。《化学大模型与智能体：AI for chemistry》、《高等无机 化学》等多门 AI 课程利用大模型将复杂的课程教学内容进行结构化梳理，AI 学伴为学生提 供即时答疑服务；AI 助教为老师提供智能备课辅助，显著提升教学效率。同时，学校以星火 大模型为依托，聚焦师生教研所需，创设功能型 AI 智能体，如“魅力化学大师”“智能机器 化学家”“MWORKS 一教师可承担的教学范围明显扩大，尤其是在前沿交叉学科领域，有效突破了教师的能力边 界。 （二）基于 AI 课堂评价的智能巡课助力教学质量监测 为推动课堂教学模式向更高阶互动转型，北京航空航天大学依托智慧教室与讯飞 AI 教 学评价系统，实现了课堂教学全过程的无感巡查、动态监测与精准反馈。数据驾驶舱全景呈 现课堂运行动态，助力资源优化配置与高效督导；《课堂教学 AI 分析报告》精准诊断课堂问 题并提供改进建议，驱动课堂质量提升。

的主观交易相比，量化交易具有更高的执行效率和更低的情绪干 扰，因此在近年来逐渐成为金融市场的主流交易方式之一。 在量化交易中，模型的选择和优化是关键环节。常见的模型包 括基于技术指标的策略、统计套利策略、机器学习模型以及深度学 习模型等。其中，技术指标策略通过分析价格和成交量等市场数据 来预测未来走势；统计套利策略则通过寻找市场中的定价偏差来获 取套利机会；机器学习和深度学习模型则能够从大量历史数据中自 动学习市场规律，并生成更为复杂的预测模型。 盈率、市净率、资产负债率等）以及基于机器学习的特征（如通过 PCA 降维后的特征）。特征工程模块通过自动化流程实现特征的快 速生成和选择，减少人工干预，提升效率。 模型训练模块是系统的核心部分。DeepSeek 模型基于深度学 习框架构建，支持多种神经网络结构（如 LSTM、Transformer 等），能够捕捉市场数据中的非线性关系和时序特征。训练过程 中，系统采用大规模分布式计算资源，支持多 GPU 并行训练，并 断点续传功能，防止因网络中断导致的数据丢失。 在数据预处理环节，系统首先对采集到的原始数据进行清洗， 包括处理缺失值、异常值以及重复数据。对于缺失值，系统采用插 值法或根据上下文进行填充；对于异常值，系统基于统计学方法 （如 3σ 原则）或业务规则进行识别与修正。数据清洗后，系统对 数据进行标准化处理，统一不同数据源的时间戳、数据格式与单 位。例如，将不同交易所的行情数据统一为以 UTC 时间为基准， 并将价格数据统一为人民币计价。

大模型训练与优化。具体而言，项目将处理多源异构 数据，包括但不限于文本、图像、音频和视频等，确保数据的多样 性和代表性。数据处理阶段将采用自动化工具与人工审核相结合的 方式，以确保数据质量。在 AI 模型训练方面，项目将采用深度学 习技术，包括预训练模型（如 BERT、GPT 等）的微调，并结合迁 移学习、多任务学习等策略，提升模型的泛化能力和应用效果。此 外，项目还将设计并实现一套高效的计算资源调度系统，以支持大 规 模型训练层采用 Transformer 架构，具体选用 BERT 或 GPT 等预训练模型作为基础。这些模型在自然语言处理任务中表现出 色，能够有效处理知识库中的语义信息。训练过程中，采用迁移学 习和微调策略，利用预训练模型的参数，通过知识库数据进一步优 化模型性能。训练时使用 Adam 优化器，学习率设置为 0.0001， 批量大小为 32，训练轮数为 10 轮。 输出层根据任务需求设计不同的输出结构。对于分类任务，输 力，因此需要在 训练过程中灵活调整增强强度和类型。可以根据模型的表现，动态 调整增强参数，如在模型过拟合时增加增强强度，或在模型欠拟合 时减少增强强度。此外，还可以结合其他训练技巧，如正则化、学 习率调整等，进一步提升模型性能。通过合理的数据增强策略，可 以有效提升模型的鲁棒性和泛化能力，使其在实际应用中表现更加 稳定和可靠。 3.2.3 数据采样技术 在 AI 大模型训练中，数据采样技术是确保模型能够高效学习

于维护与扩展。 2.1 功能性需求 在人工智能数据训练考评系统的功能性需求分析中，系统需具 备以下核心功能以满足用户的实际需求： 1. 用户管理 o 系统应支持多角色用户管理，包括管理员、培训师、学 员等，不同角色对应不同的权限和功能模块。例如，管 理员可进行用户信息的增删改查，培训师可发布和管理 考评任务，学员可参与考评并查看结果。 o 提供用户注册、登录、身份验证功能，支持第三方平台 点，确定适用的 算法类别。对于结构化数据，常用的算法包括基于树的模型（如决 策树、随机森林、梯度提升树等）以及线性模型（如线性回归、逻 辑回归等）。对于非结构化数据（如图像、文本、音频），深度学 习方法（如卷积神经网络 CNN、循环神经网络 RNN、Transformer 等）通常表现更优。 在选择具体算法时，需综合考虑以下因素： - 数据集规模：大 规模数据适合深度学习算法，而小规模数据可选择传统机器学习算 目 的是将原始数据转化为模型可理解的数值表示。 3. 模型训练与选择：基于提取的特征，使用适当的机器学习模型 进行训练。常用的模型包括： o 分类模型：如逻辑回归、支持向量机（SVM）或深度学 习模型，用于对训练数据进行分类评分。 o 回归模型：如线性回归或神经网络，用于对数据进行连 续性评分。 o 聚类模型：如 K-Means 或 DBSCAN，用于对数据进行无 监督考评。

活动开展 活动开展 / 拍照、视频记录 活动记录 记录活动过程 / 上传活动材料 / 心得分享 平台功能  微课随学：微课形式体现，通过碎片化时间学 习，让学习党课无时无刻。  学而致用：每个课时学习完成都有匹配课时内 容的考试，时刻了解党员学习成果。  寓益于学：信息展示、交流互动，帮助党员收 获更高价值，多维度的排行榜机制，促进创新 争优。 平台功能 党校及教育学习  权威、专业、丰富、生动的教育资源  支持课程定制和学习，满足专项培训需求  定制任务式学习与自由选修相结合，因材施教  支持栏目、标签定制，满足个性需求  提倡学习过程中互动，激发学习热情 学考评一体化管理 教育学习 平台功能  每日一题  学习任务  考试管理  题库管理  积分管理 趣味答题 每日一题 学习任务 考试管理 教育学习 平台功能  打造特色党建资讯、支部风采展示平台 全 省党员的组织管理、党务公开、学习管理等；  覆盖全省 195W+ 党员， 2018 年的月均活跃达 100W+ 。作为福建省“两学一做“突出案例登上 《人民日报》头版！ 福建省党员 e 家平台 山东省党员乐 e 学平台  党员“乐 e 学”教育云平台，帮助山东省 莱州市组织部门实现了全市 60000 多个 党员，以及 1000 多个行政村的党员教 育及管理工作全覆盖。 