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 ，人类的反馈信息成 为模型学习的内容 OpenAI 公司于 练后，可以生成模 型在回答问题时 经历的思考过程。 推理大模型 ：通过测试时拓展（ Test-Time Scaling ） 、强化学习、蒸 馏 等技术，大模型的推理能力不断增强。 o3 通过模拟推理技术，能够暂停并反思自 身内部的思考过程，从而在回答问题前进 行更深入的推理，类似于人类的思考方式。 推理大模型的发展 Claude3.7 是 首 个混合推理 模 型，集普 通语 o1/o3 在回答问题之前先 Reasoning ， 生成一个详细的内部思维链 ， 模 拟人类的深思熟虑 ， 逐步分解复杂的问题 ， 提高答案的准确性和 深度。 OpenAI-o 系列推理模 型 逐步思考 ，并分解复杂的问 题 相较于 GPT-4o o1 大幅提 升 要知道从玉泉校区到紫金港校区如何最快出行，首先得 知道有几种交通路线： 1. 89 路公交车，共 17

自动化类：微软智能体 AutoGen ......................................................................... 9 2.2 情感需求类：陪伴型智能体 ............................................................................... 11 2.3 效能讨论：成本与价值间的博弈 全球人工智能市场规模预测 .............................................................................. 14 图 15 美国增强型人工智能研发投资 2015-2030 ........................................................ 15 图 16 美国及其 AI 盟友 .. 图1 人类与 AI 的交互模式 资料来源：腾讯研究院，海通证券研究所 以 LLM 为核心，四模块铸造 AI Agent。从 OpenAI 的定义来看，智能体以大语言模 型为核心，其拥有长期和短期记忆、自主规划能力、能自动化执行复杂任务、能够使用 工具等四个特点。1）记忆模块：智能体像人类一样，能留存学到的知识以及交互习惯 等，这样的机制能让智能体在处理重复工作时调用以前的经验，从而避免用户进行大量

人行利率政策发布 ; 银行间同业拆放利率 ; 债券回贩 价 格 ; 债券发行量 ; 债券违约信息 ; 债券发行量 境内网站 新华社、外汇管理局、证监会、上交所、 深交所、东斱财富网等财经网站 境外网站（英文） 路透、彭博、纽交所、纳斯达克等境外网 站 利用全斱位高敁癿大数据采集技术，提供多来源、多渠道、 多时敁、 多类型数据癿获取和收集工具和 手段，实现数据癿全面融合。 information 大数据 ODS 存储区 内存网 格 （ Ignit e ） 数据 分析 非结构 化分析 挖掘 大数据 融合 OLAP 分 析 HDFS/Hb ase 数据 资源 非结构化数据 结构化数据 文本 数据 采集 批量 采集 批量 采集 实时 采集 数据仓库 关系型数 据库 信息库 数据存储 HIVE 搜索引擎 数据模型 分析模型 关系型数 据库 数据抽取 数据挖掘 数据汇总 关系型 数据库 图片 实时性要求高 实时性要求丌 高 集市区 缓冲区 1. 最终交易价格： 13,965 万元。 2. 交易标的： 晓奥享荣 3. 是否构成借壳上市： 不构成借壳上市 4. 股份发行价格：

近年来，AI 技术迅猛发展，算力作为数字经济的基础资源，其重要性与日 俱增。我们进入了一个计算力驱动创新的时代，这不仅影响着科技领域的演进， 更深刻地改变着社会的方方面面。目前，国家正按照“点、链、网、面”体系化 推进全国一体化算力网络工作，综合算力指数作为衡量我国算力发展水平的重 要标尺，相关研究工作意义深远。 随着 AI 在千行百业加速渗透，算力赋能数字经济社会的效能，不仅仅取决 于算 潜力尚待充分挖掘，亟需通过深化一体化算力网建设，强化统筹协 同与动态优化能力；全面提升算力供给质效，加速推动结构的迭代 升级；夯实存力运力底座，促进“算存网”协同演进；构建绿色低碳 体系，加速基础设施绿色升级；深度开展融合创新实践，助力产业 生态繁荣发展。 《2025 综合算力指数》全面呈现了我国综合算力发展现状，挖 掘各地区综合算力发展问题，并给出发展建议，为我国算力产业“点、 链、网、面”体系化发展提供参考，为数字中国建设实现跨越式发展 .............. 36 （一）深化一体化算力网，强化统筹协同与动态优化.................................. 36 （二）提升算力供给质效，推动结构迭代升级.............................................. 37 （三）夯实存力运力底座，促进“算存网”协同演进.........................

模型 API 兼容 OpenAI 接口规范 复刻 Deep seel 的推理加速能力 一键发起模型部署 推理加速 DeepSeek 模 型 客 户 数 据 训练加速 DeepSeek 联 网 助 手 文档问答 知识摘要 • 模型 + 训练平台 + 应用构建 平台 全链路能力。 • 提供从训练——推理——应 用的一站式丝滑服务体验 配置项 工作流 联网搜索 模型部署 服务管理 应用场景 大模型 广场 大模型精调 解决方案 腾讯云精调知识大模型 DeepSeek 系 列 模 型 DeepSeek 系 列 模 型 一键发起模型训练 模型训练 内置 DS 全系模 型 客户专属模型 客户专属模型 混元系列模型 混元系列模型 TI 平 台 模型服务 腾讯云 TI 平 台 大模型模型训练和推理开发平台，灵活精调和部署私有 u 从零训练自主创新的通用大模型 u 7b 13b 70b 不同参数量级 数据构建 预置 3 大类精调 数 据 处 理 pipeline 数据标注 CV ，大模型相 关的标注工具 模 型 部 署 训 练 工 坊 数据 调试 容器底座 AI 资产管 理 资源管理 一体化服务管理工具及推理加速能力 一体化服务管理工具 Angel 推理加速 指标监控 鉴权 / 限流 流量分配

项目编号： 客户关系 CRM 系统接入 DeepSeek 大模 型应用场景 设 计 方 案 目 录 1. 项目背景与目标................................................................................................................................ 万条客户咨询，但仅能通过预设标签进行简单分类，导致 30%的潜 在商机因未能及时识别而流失。与此同时，大语言模型技术的突破 性发展为 CRM 系统智能化升级提供了全新可能。DeepSeek 大模 型凭借其千亿级参数规模、多轮对话理解能力和行业知识库定制功 能，能够有效解决传统 CRM 的痛点。 本项目的核心目标是通过深度集成 DeepSeek 大模型，构建具 备三大核心能力的智能 CRM 系统：首先，实现客户意图的实时精 Transformer 架构，支 持 RESTful API 和 SDK 两种接入方式，能够与主流 CRM 平台（如 Salesforce、Zoho、微软 Dynamics）实现无缝对接。通过 API 网 关层的数据格式转换（JSON/XML），系统间的数据交互延迟可控 制在 200ms 以内，满足企业级实时交互需求。关键性能指标测试 显示，在并发量 500QPS 的场景下，DeepSeek 的响应成功率保持

定具有重要意义。智慧应急是应急管理信息化建设 的总体目标，强调要适应科技信息化发展大势，以信 息化推进应急管理现代化，提高监测预警、监管执 法、指挥决策、救援实战、社会动员等应急管理能力。 大语言模型是具有大规模参数的深度学习模 型，通过对海量文本的训练习得语言的统计规律， 从而具有理解和生成自然语言的能力，实现人机之 间的有效通信。自2018年双向编码表示模型（bidirec⁃ tional encoder representations 视角和技术路径。 1 大语言模型原理 大 语 言 模 型 通 过 词 嵌 入（word embedding）[3]、 Transformer 架构和注意力机制[1，4]、端对端神经网络 训练等方法和技术学习文本数据中的语义和语法规 律，从而具有理解文本并生成语法正确、语义连贯 的文本的能力。当训练的数据足够大，模型的参数 足 够 多 ，模 型 开 始 涌 现 某 些 能 力（emergent abili⁃ 点，该观点认为智能源于大脑神经元的物理结构和 复杂的网络连接，是由大量如神经元的简单元素通 过非线性相互作用产生的集体行为结果，智能行为 的模拟可以通过构建大量简单计算单元组成的大规 模 网 络 ，并 不 断 调 整 网 络 单 元 间 连 接 权 重 来 实 现[9-10]。优势在于从数据中学习的能力，善于处理复 杂的、模糊的问题。 1.1.2 主动学习 与传统结构化的知识获取方式相比，大模型采

础设施的核心矛盾将从“资源供给”转向“效率与价值平衡”，技术迭代将围绕“弹性算力调 度”“数据主权治理”“垂直场景深度适配”三大主线展开。 越来越多的企业核心数据正在向云数据中心迁移，计算密集型任务处理能力与弹性资源供给能力 正成为云服务商的核心竞争力。面对企业客户的数字化转型需求，减少延迟和工作负载可移植性 将是客户的关键优先事项，为垂直特定数据类型提供量身定制的云服务将创造有利的竞争优势。 一些高端的云服务实例可以提供数百、数千甚至数万数量级的CPU、GPU核服务能力；另一 方面，为满足大数据、数据库、3D视频处理在内的一些单核敏感型业务的需要，云服务仍将 持续提升单核、单实例性能。 多技术融合提升连接性能：云服务商综合利用内存/缓存、PCle、RDMA、IP网、EIP、VPC 等一系列技术升级和软硬件融合优化成果，大幅提升云、边、端不同位置服务之间的协同效 率，这对于保障在线业务的体验至关重要。 、数据库模糊检查询等任 务，云实例基于新一代处理器的向量指令集、矩阵加速指令集等，能够直接支持相关AI算子 执行，简化系统架构，提升响应性能与可靠性，持续改善搜推广、语音/视频处理以及中小模 型的推理体验。 云原生方案形成整体保障：除了算力层面的降本措施，云服务商还通过持续增强弹性伸缩、 Serverless以及统一运维等云原生解决方案的效能，实现硬件、算法、平台、服务的协同进 化。例

键环节。通过科学合理的设计，能够有效提升系统的数据处理能力 和数据质量，为后续的模型训练与考评奠定坚实基础。 2.1.2 模型训练需求 在模型训练需求方面，系统需要具备高效、灵活且可扩展的模 型训练能力，以满足不同场景下的训练需求。首先，系统应支持多 种主流机器学习框架，如 TensorFlow、PyTorch 和 Keras，确保 用户能够根据具体任务选择最合适的框架。其次，系统需提供分布 等）导出，便于后续分析与存 档。同时，系统应具备可视化能力，通过图表、仪表盘等形式直观 展示考评结果，帮助用户快速掌握模型表现。通过以上功能的实 现，系统能够全面满足人工智能数据训练过程中的考评需求，为模 型优化提供强有力的支持。 2.2 非功能性需求 在人工智能数据训练考评系统的设计中，非功能性需求是确保 系统能够高效、稳定、安全运行的关键要素。首先，系统应具备高 可用性，确保在 7×24 小时的全天候运行中，故障恢复时间 此外，系统应支持插件机制，允许用户根据实际需求开发和加载自 定义功能模块，从而在不改变系统核心架构的前提下，灵活扩展系 统功能。 在数据存储方面，系统应采用可扩展的数据库设计，支持数据 量的动态增长。例如，可以结合关系型数据库（如 MySQL）和 NoSQL 数据库（如 MongoDB）的优势，根据数据类型和访问频 率选择合适的存储方案。同时，系统应支持数据分片和负载均衡技 术，确保在大规模数据处理场景下依然保持高效的性能。

大模型能够通 过对大量传感器数据的实时分析，识别潜在的安全隐患，提前 预警。 3. 数据驱动的决策支持：城市轨道交通系统在运行中产生了海量 数据，包括乘客流量、列车运行状态、设备状况等。AI 大模 型可以帮助分析这些数据，为决策提供支持，提升服务效率和 质量。 4. 可持续发展的需求：在当前全球倡导可持续发展的趋势下，城 市轨道交通必须采取更科学的运营方式。AI 大模型通过优化 调度和能耗 AI 大模型的强大功能，行业内还可以 实现智能化、精细化的管理，为未来的城市交通发展提供坚实的技 术保障。 1.3 本文目标与结构 本文旨在分析并指导城市轨道交通行业如何有效应用 AI 大模 型，以提升运营效率、优化乘客体验和增强决策支持。通过对行业 现状的深入研究和案例分析，我们希望明确 AI 大模型在轨道交通 中的具体应用方向，制定一系列可行的实施步骤，并提供切实的建 议与操作方案。 决策的实时优化。 首先，实时数据的来源主要包括列车运行状态、乘客流量、天 气条件、设备故障信息等。通过建立数据采集系统，车辆上、车站 内及关键节点的传感器可以不断发送数据，形成一个全面的监控 网。 数据收集后，AI 大模型的作用在于对这些数据进行实时分析， 以识别潜在的问题并预测未来的趋势。例如，模型可以通过分析历 史客流数据，结合实时监控的信息，预测某个时间段内某条线路的 客流高峰