推理模型的核心 也就是说 ，如果模型在回复你之前有一 长 串的思考过程（这个过程必须可以显 示输 出） ，探索了很多不同的路径之后 给出答 案 ，那么有这个能力的大模型就 是推理大 模型。推理模型的核心在于处 理那些需要 多步骤逻辑推导才能解决的 复杂问题。 3.4 大模型的分 类 大语言模型可以分为通用大模型和推理大模型 3.4 大模型的分 类 n 推理大模型 DeepSeek R1 的对话效果 Lightning AI 的首席教育学家） 将“推理”定义为通过生成中间步骤来回答复杂问 题的过程 通用的大语言模型（ LLM ） 可能直接输出简短答案（如” 180 英里”） 推理模型的特点在于显式展示中间推导过程 3.4 大模型的分 类 特性 推理大模型 通用大模型 适用场景 复杂推理、 解谜、 数学、 编码难题 文本生成、 翻译、 摘要、 基础知识问答 复杂问题解决能力 优秀 ，能进行深度思考和逻辑推理 ，这种架构是一种专门用于自然语言处理的“编码 - 解码器”架构。 在训练过程中 ，大模 型将输入的单词以向量的形式传递给神经网络 ，然后通过网络的编码解码以及自注意力机制 ，建立起每个单词之间联系的 权 重。大模型的核心能力在于将输入的每句话中的每个单词与已经编码在模型中的单词进行相关性的计算 ，并把相关性又 编码 叠加在每个单词中。 这样 ，大模型能够更好地理解和生成自然文本 ， 同时还能够表现出一定的逻辑思维和推理能力

Scaling Up 带来的边际收益开始递减；如果想要深度提升模 型推理能力和长程问题能力，基于RL的 Post-Training 将会成为下一个突破点。 ➢ 自回归模型在数学推理问题上很难进步的一点在于没有办法进行回答的自主修正，如果仅是依靠生成 式方法和扩大参数规模，那么在数学推理任务上带来的收益不会太大。所以需要寻找额外的 Scaling Laws [1]。 [1] Training Verifiers Models 50 未来技术方向展望: 模态扩展 + 模态穿透进一步拓展强推理边界 ➢ RLHF与DPO方法本身是模态无感的，通过数据构造能够直接应用于多模态场景； ➢ 但是，多模态对齐的难点在于： ➢ 模态数量增加，传统二元偏好是否能够捕捉人类意图的多元偏好或层次化偏好？ ➢ 当多模态扩展到全模态空间，模态交互更加复杂，RLHF以及DPO是否还奏效？ ➢ 不同模态下，模态特有与模态共有的信息如何统一在偏好建模中？ Reasoning（过程性监督 + 细粒度反馈） ➢LLM 仍然受限于过程性推理任务： ➢ 尽管可以完成复杂的推理，但是仍然受限于一些对于人类来 说很简单的任务（例如，逆转诅咒），泛化能力较弱： ➢ 本质上在于 LLM 的思考范式仍然是静态，非过程性的； ➢ 一些看似复杂的任务，实则在互联网上有相近的解决办法， 在训练语料中有所蕴含（Hypothesis: Depends purely on Task

开源策略吸引全球 20 万开发者，形成中美双极化的 AI 生态格局 二、核心能力图谱 1.技术特性：AI 界的“六边形战士” DeepSeek 之所以成为现象级 AI 工具，关键在于它在效率、成本、能力三大维度实现 了突破性平衡： 技术黑话翻译： ⚫ MoE 混合专家系统：像医院分诊台，遇到数学题自动转接“数学博士”，写诗转接 “文学教授” ⚫ MLA

原料生 产中的隔膜缺陷检测，前段工序中的极片表面缺陷检测、涂布外观缺陷检测，中段工序中的密封钉焊道缺陷检测、 电池包蓝膜后缺陷检测，后段工序中的 Busbar 焊后检测等。目前锂电检测的主要痛点在于：如何以接近 100% 的 检测良率精准地检测出多种复杂难检的缺陷；同时质检速度还要跟上生产节拍，以保证甚至提升产能。 以电芯顶盖板焊接质量检测为例，在将电芯顶盖焊接到电池壳体的过程中，很容易出现爆点、焊坑、孔洞、断焊、 模型的训练，将在端侧而 非云上进行，这也对边缘端的算力提出了更高要求。 09 01 工业人工智能 (AI) 行业观察 新材料的 快速筛选 加速设计 锂电池未来的技术核心竞争点在于材料。快速筛选出高能效的材料，是掌握竞争优势的关键。大模型通过高通量计 算与数据库构建、分子生成模型和高通量筛选策略等步骤，能从数百万种材料中，快速筛选出具有高能效潜力的材 料，缩短新材料的发现周期。 练阶段，模型学习到了如何将图像内容与文本描述相匹配的能力。在实际应用中，即使没有异常样本，模型也可以利用其 Zero-shot 学习的能力，通过比较产品图像与正常情况的描述，来识别和定位异常。 这种方法的优势在于，它不仅减少了对大量标注样本的依赖，而且能够更好地适应新的生产环境和产品类型。此外，由于多 模态预训练模型能够理解自然语言，因此可以更容易地通过语言指令来调整或优化检测任务，使得模型更加灵活和易于部署。