作者将该方法称之为视觉提示. 视觉提示有利 于将动作生成问题转化为视觉语言模型能解决的视 觉问答问题, 解决了自然语言表达能力不精确的问 题. MOKA 框架包括两个层次的推理过程: 高层任 务推理和低层动作推理. 在高层任务推理阶段, 视 觉语言模型将自然语言描述的任务分解为一系列简 单的子任务, 并总结每个子任务的信息, 如抓取对 象、未固定对象和运动方向等; 在低层动作推理阶 段, MOKA 根据当前观察到的环境图像 望方式排列好的桌面照片可能更有效率. 2 控制层级 机器人的控制一般可以粗略地分为高层和低 层. 高层负责全局、长期的目标; 低层负责具体操作 与及时反馈. 虽然基础模型具有丰富常识与较强的 推理能力, 但精确性、实时性较差, 所以大模型往往 不会直接参与机器人的低层次控制, 而是通过需求 理解、任务规划、动作生成等方式进行较高层级的 控制. 本文将目前基础模型参与的具身智能控制分 为四个层级: 需求级、任务级、规划级、动作级 理解能力准确分析用户需求中隐含的任务要求, 并 分解为机器人可以完成的具体任务. Text2Motion[72] 构造了一个将自然语言指令转 换为一套既符合需求也满足物理执行条件的框架, 框架使用大语言模型进行高层次任务规划, 从多种 机器人技能组成的技能库中选择合适的技能, 并使 用几何可行性规划器优化技能序列参数, 解决动作 间的几何协调问题, 从而提高任务成功率. PaLM-E[73] 是一个仅有解码器

16 降本增效场景之三：智能合同质检 图表：江苏银行 AI 布 局 n AI Coding 能够替代低效工作 ，充分释放开发者的价值。未来可能会由 AI 承担部分基础工作， 而开发者则转向更高层次的 架构设计和业务规划，专注于更复杂、更创造性的任务， 如架构设计、算法优化或用户体验创新。 n AI 编程在银行业可有效赋能内部研发。从具体用例看， 澳新银行对 1000 名软件开发人员进行了为期六周的

言描述的关于世界的知识，从而让机器具有理解和生 成自然语言的能力，让人与机器在知识层面的有效交 互成为可能。基于大语言模型技术的人机协同创新 模式，将人的认知优势与计算机的计算与存储优势整 合起来，让人可以在更高层次、更广泛视角研究外部 环境，加深对客观世界规律的认识，并在人机交互中 将知识转移到机器上，提高机器智能 [18]。 2 智慧应急面临的挑战 应急管理信息化建设通过促进信息技术与应急 管理业务深度融合，为应急管理实战提供支撑保障。

程、模型训练与优化，以及如何与现有的公共安全体系整合。 4. 讨论在实际应用过程中可能面临的技术、法律和伦理挑战，并 提供切实可行的解决方案。 5. 最后，预期该系统能提高公共安全事件的响应速度和处理效 率，最终实现更高层次的社会安全保障。 通过以上目的的实现，本文章希望为公共安全领域的相关研究 人员和从业者提供实用的参考，助力基层公共安全管理的智能化转 型。 2. 系统需求分析 “ 在 公共安全引入 AI OpenCV 是一个开源计算机视觉库，能够高效处理图像和视 频流。结合深度学习框架，OpenCV 能实现实时视频分析功 能，非常适合监控视频中的目标检测与追踪。 4. Keras Keras 是一个高层 API，能与 TensorFlow 及其他深度学习框 架结合使用。其简单易用的特性，使得模型的快速原型开发成 为可能。Keras 在处理时间序列数据方面，无论是视频序列还 是行为识别，都表现出优秀的性能。 主要功能 适用场景 TensorFlow 深度学习框架，支持大规模训练 图像分类与识别 PyTorch 动态图计算，高度灵活 实时视频分析 OpenCV 实时图像处理 目标检测与追踪 Keras 高层 API，便于快速开发 快速原型构建与实验 YOLO 实时目标检测 安全监控，行为识别 通过以上选型方案，可为引入 AI 大模型的视频智能挖掘应用 提供强有力的技术支持，确保系统的实时性、准确性和可维护性。

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 组成，确保模型功能与业务需求紧密匹配。风险合规团队则负责监 督项目的合规性，降低潜在风险。 为确保项目的高效推进，制定了详细的沟通和协作计划。例 如，每周召开跨部门会议，讨论项目进展和问题；每月向高层管理 天内 时，由小组内部调整资源解决。 - 偏差超过 3 天但未影响关键路径 时，项目经理协调其他小组资源支持。 - 偏差影响关键路径时，需 立即召开紧急会议，评估影响并制定补救措施，必要时向高层汇 报。 此外，建立激励机制，对按时或提前完成任务的团队给予奖 “ ” 励，以提高团队积极性和责任感。例如，可设置 月度最佳团队 奖 项，或为关键任务完成后的小组提供额外假期或奖金。 在项

的潜在风险，如材料价格波动、施工周期延长等，并提供相应的应 对措施。通过这些功能，用户可以大幅提升预算编制的效率和准确 性，减少人为错误的可能性。 在实际应用中，自动化预算编制流程可以显著缩短项目的前期 准备时间。以某高层住宅项目为例，使用 DeepSeek-R1 进行预算 编制，整个流程从传统的两周缩短至三天，且预算的准确率提高了 15%。以下是一些关键的数据对比：  传统预算编制时间：14 天  DeepSeek-R1 续的方案，符合全球绿色发展的趋势。 综上所述，DeepSeek-R1 大模型在工程造价领域的应用前景 十分广泛，其强大的数据处理能力、自动化流程和与 BIM 系统的 深度集成将推动行业向更高层次发展。随着技术的不断进步和应用 场景的拓展，该模型有望成为工程造价领域的核心工具，为企业创 造更大的价值。 13.3 持续改进建议 在未来，应持续关注 DeepSeek-R1 大模型在工程造价领域中

保险业数智化转型进展 �� 动金融科技数字化工程建设，制定了“科技国寿”发展战略。阳光保险“新阳光战略”的核心 之一是以数据智能打造“科技阳光”。 二是高层重视，各保险公司高层普遍认识到数字化转型的重要性，将其视为提升公司 核心竞争力的关键。许多公司成立了由高层领导挂帅的数字化转型委员会或领导小组，负 责统筹规划和推动数字化转型工作。 三是加大科技投入，保险公司在数字化转型过程中，不断加大科技投入，提升信息技

智能体不仅能够理解人类的语言， 还能够进行情感分析，从而提供更加个性化和人性化的服务。 其次，商务 AI 智能体的应用范围将进一步扩大。从目前的客服、 销售、市场分析等领域，扩展到人力资源管理、供应链优化、风险 管理等更高层次的商务活动。例如，AI 智能体可以通过分析员工的 绩效数据和市场趋势，帮助企业制定更加科学的人力资源规 划；通 过实时监控供应链数据，预测潜在的风险并提前采取措施。 再者，商务 AI 智能体将与其他新兴技术深度融合。例如，与

付并发挥预期价 值。 10.1 项目组织结构 项目的组织结构设计是确保项目顺利实施的关键。项目的管理 团队将采用矩阵式组织结构，以确保资源的高效利用和多部门协同 工作。项目总负责人将由公司高层领导担任，负责整体项目的战略 规划和资源协调。项目下设技术开发组、数据管理组、质量管理组 和培训支持组四个核心小组，每个小组设组长一名，直接向项目总 负责人汇报。 技术开发组负责系统设计与开发，包括算法模型的构建、系统

型的数据来源覆盖了多个方方面面。通过合理规划数据的获取渠道 和协作伙伴，有望为 AI 大模型的应用提供强有力的支持，从而提 升城市轨道交通的运营效率和乘客体验。加强数据整合与应用，能 够在更高层次上实现智能交通的目标。 3.1.1 站点与车辆历史数据 在城市轨道交通行业，站点与车辆的历史数据是基础数据的重 要组成部分，对于 AI 大模型的应用至关重要。这一数据的构建与 获取能够有效