来进一步优化性能 ➢ DeepSeek-R1 系列跳过对于大规模人工标注数据的依赖 ➢ 无需构建和维护高质量的SFT数据集，而是让模型直接在RL环境中进行探索 ➢ 类比：初学者在没有老师指导的情况下，通过不断的尝试和错误来掌握一门新的技能。 ➢ 这种自主学习的方式，不仅节省了大量的标注成本； ➢ 更重要的是，它让模型能够自由地探索解决问题的路径，而不是被预先设定的模式所束缚。 12 DeepSeek-R1 示例输入: 编写 python 代码，该代码采用数字列表，按排序顺序返回，在开始时添加 42。 ➢ 自动化验证方法： ➢ 利用软件检查代码补全判断是否为完整代码； ➢ 执行Python代码检查运行情况判断是否为可运行代码； ➢ 调用外部模块构建额外的检测单元； ➢ 甚至可以更进一步，测量执行时间，使训练过程首选性能更高的解决方案； ➢ 以上均可以作为小批量训练 (Mini-Batch) 和连续训练过程中的奖励信号 理等现象 ➢ 模型在准确率奖励和格式奖励下自然探索到 验证、回溯、总结、反思 的行为范式 ➢ 如何控制来保证最后的response 长度能够稳定上升，可能会出现反复重复验证、或者验 证时间过晚的情况; （REINFORCE 系列更快；PPO训练稳定但是慢） ➢ 多语言可能是因为预训练数据是多语言的，“一视同仁”被 Tokenization，不同的领域的不 同语言编码是否有不同优势？ DS-R1

以全部通信关系和拓扑信息作为输入 通过算法计算出最优结果，实现 AI 参数面全网负载均衡 算网协同 • 网络级负载均衡：独家 NSLB 算法， 算网协 同 调度，多任务节点非连续组网情况下，通信 带宽 提升 20% 、模型性能提升 7% 算存协同 • 极致读写性能： CKPT 等算存读写协同优化、 PB 级存取 +TB 级带宽，数据读取效率提升 50% 大规模组网 • GPU 到昇腾快速迁移能力 迁移分析工具 模型支持度分析和修改建议 模型支持度评估 离线模型 — — 分析报告 差异三：基础能力差异导致支持完备度不同 基础库、加速库、三方库等支持情况不同 跨架构时需通过引入、适配第三方库，或者开 发基于自身架构的对等库来解决库的差异问题 计算架构 支持的主要基础库 / 加速库 昇腾 DVPP/AIPP/mxVision/ Atlas 800T A2 qLoRA 微调 1.1x 业界 4 机 Atlas 800T A2 全参微调 1.1x 业界 32 机 Atlas 800T A2 DeepSeek 模型 A2 适配情况 DeepSeek V3 已适配 DeepSeek R1 已适配 DeepSeek Janus-Pro 已适配 支持 CCLoRA 、 Fused_MLP 核心技术，提升微调训练吞吐性 能

漏焊、翻边等缺陷，导致漏液、短路等安全风险。将 AI 技术与 3D 成像技术相结合，利用数据样本自适应扩充训练 技术，缩短模型训练时间，通过针对性的缺陷检测算法，提高了缺陷检测效率和准确率，降低了工人检测的过杀、 漏杀情况，实现缺陷检测无人化，降低人力成本。 消费电子产品的特征之一是快速更新迭代，快速上市新产品意味着抢占市场先机。 在新产品的设计生产方面，基于 AI 的市场需求预测模型能快速分析消费者需求趋势，辅助设计/生产软件能基于历 止数据滥用，也是工业 AI 乃至工业大模型成功落地应用的挑战之一。 11 01 工业人工智能 (AI) 行业观察 第三，实时响应问题。 工厂在线检测、智能驾驶等应用，需要系统实时做出 响应的情况下，需要模型能够实时处理输入数据并快 速做出响应。将场景应用端的数据再传输到云端处 理，庞大的数据量会造成带宽拥挤，影响处理的时效 性。采用边缘计算方案来缓解时效性问题，但是这对 边缘端计算硬件的实时处理能力提出了挑战。 • 硬件加速 AV1 编码、内置 DisplayPort2.1 (USB-C) 和 HDMI 2.1，以及全新图形系统控制器 2.1.2 英特尔® 酷睿™ Ultra 处理器 实际性能受使用情况、配置和其他因素的差异影响。更多信息请见 intel.com/processorclaims（英特尔® 酷睿™ Ultra 处理器 — 边缘）。结果可能不同。 英特尔® 酷睿™ Ultra 处理器

同时也奠定了人工智能的基本概念和雏形 在这篇论文中 ，图灵提出了鉴别 机 器是否具有智能的方法 ，这就是 人 工智能领域著名的“图灵测试”。 如图所示 ，其基本思想是测试者 在 与被测试者（一个人和一台机 器） 隔离的情况下 ，通过一些装 置（如 键盘）向被测试者随意提 问。进行 多次测试后 ，如果被测 试者机器让 平均每个测试者做出 超过 30% 的误 判 ，那么这台机器 就通过了测试 ， 并被认为具有人 海量的开放数据与具有巨量参 数的 深度学习算法，在大规模无 标注数 据上进行训练， 以寻找特 征并发现 规律 ，进而形成可“举一 反三” 的强 大泛化能力 ，可在不 进行微调或少 量微调的情况下完 成多场景任务 ， 相当于 AI 完成 了“通识教育” 行业大模型 L1 是指那些针对特定行业或领域的大 模型 。 它们通常使用行业相关的 数 据进行预训练或微调， 以提高 在该 领域的性能和准确度，相当 32B 、 14B 、 8B 、 7B 等不同版本的 DeepSeek-R1 大模型部署到学科内部 ，并接入本地知识库（如 学术资源、 课程资源、 实验数据等） ， 后期学校将根据具体需求及资源占用情况提供差异化服务 ， 构建 “ A I + 学科 ”垂直领域解 决方案 ，为学科交叉创新发展提供有力支撑 4.2 国产 AI 大模型 DeepSeek 走入高 校 本地部署 大模型 4.3

46 智慧体现在什么地方？ 将学生的绩效数据集成在一起，以更好 支撑对学生学习过程的理解。 了解学生参与习惯，实现对学生施加具 有针对性的干预策略。 智慧教育结果 掌握学生每年的进步情况 早期诊断学生学习中遇到的困难，并施 加补救措施。 矩阵 仪表盘 学习分析 管理报告 学生信息系统 学生管理系统 财政系统 人力资源 特殊教育 课程 饮食服务 住房 图书馆

是模型用来表示自然语言文本的基本单位 ， 也是我们的计费单元 ， 可 以直观的理解为“字 ”或“词 ” ； 通常 1 个中文词语、 1 个英文单词、 1 个数字 或 1 个符号计为 1 个 token 。 • 一般情况下模型中 token 和字数的换算比例大致如下： • 1 个英文字符 ≈ 0.3 个 token 。 • 1 个中文字符 ≈ 0.6 个 token 。 • 但因为不同模型的分词不同 ， 所以换算比例也存在差异

结论不受任何第三方的授意或影响 , 特此声明。 免责声明 本报告仅供国泰海通证券股份有限公司 ( 以下简称 " 本公司 ") 的客户使用。本公司不会因接收人收到本报告而视其为本公司的当然客户。本报告仅在相关法律许可的情况下发放 , 并仅为提供信息而发 : 放 , 概不构成任何广告。 价值及投资收入可升可跌。过往表现不应作为日后的表现依据。在不同时期 , 本公司可发出与本报告所载资料、意见及推测不一致的报告。本公司