当。 ➢ 在编码相关的任务中表现出专家水平，在 Codeforces上获得了2029 Elo评级，在竞赛中表现 优于96.3%的人类参与者 ➢ DeepSeek-R1 在知识类问答上推动科学探索边界： ➢ MMLU \ MMLU-Pro \ GPQA Diamond 等 STEM- related 榜单上取得良好表现 ➢ R1 展现出强推理模型在 AI-Driven Research （例如Test-Time Search）的增长，模型性能（例如数学推理能力）也会随之提升 ➢ Post-Training Scaling Laws 下 训练时计算量 多了一个新的变量：Self-Play 探索时 LLM Inference 的计算量 [1] https://openai.com/index/learning-to-reason-with-llms/ 7 回顾：Post-Training response length 逐 渐增加（对应着 test-time computation increasing） ➢ Aha moment: 自然学会增加更多的推理时间，反思评价先前步骤、探索其他方法 RL驱动下自然涌现 Long-CoT 能力 “Aha”Moment 11 DeepSeek-R1 技术剖析：DeepSeek-R1 Zero DeepSeek-R1 Zero的关键启示

多智能体协同优化（将每个个体作为智能体通过联邦学习模拟群体行为） 和元认 知调 控机制（实施监控自身决策、 动态分配资源、 自动触发行为） 。 • 4. 终极能力层 自主进化与创造性突破 ，包括概念空间探索（通过对抗网络探索新合金成分等） 、 范式转移预警（监控跨领域知识流、 识别技术革命前兆） 和自编程能力（自动模块设计、 代码编 写、 测试用例） 。 " 恨聪明 但没那么听话 " DeepseekV3

Distribution 2 训练资源 • 随着 DeepSeek 提供了一种高效率训练的方法，同等 算力规模可以探索更强的模型能力 • 在竞争背景下，头部玩家仍将追逐 Scaling Law ，坚定 AI 算力的战略投资，加速探索下一代 AI 技术 DeepSeek 是 AI 发展史上的一个关键里程碑，但远未达到 AI 终点 AI 模型算法： GPT 、 DeepSeek 9 大模型从技术摸高走向技术摸高 + 工程创新并行 ，训练需求持续增 长 ① 技术摸高：头部玩家将战略坚定投入预训练基础模型创新，丰富模型组合，追逐 Scaling Law ，加速探索 AGI ② 工程创新：新的范式降低后训练和蒸馏门槛，模型效果大幅提升， 出现平权现象，引发新一波的“百模千态” 2012 2013 2014 2015 2016

①文明备份计划 ⚫ 知识永续：将人类文明成果编码至 AI 网络，即使遭遇全球灾难也能快速重建 ⚫ 文化传承：通过多模态 AI 还原失传技艺，如成功复现唐代青瓷秘法 ②星际探索联盟 地外智能体：搭载 DeepSeek 的探测器可自主分析火星地质，决策效率提升 1000 倍 宇宙语言库：构建跨物种沟通系统，为接触地外文明做准备 ③意识融合实验 ⚫ 记忆上传：临终患者可将人生经历转化为 意义经济学：人类工作价值从“劳动产出”转向“情感连接” 案例： ⚫ 手写信件服务价格暴涨 10 倍 ⚫ 线下脱口秀票房超过 AI 生成内容 ③文明进化方向 ⚫ 星际探索：搭载 DeepSeek 的探测器自主分析外星土壤 ⚫ 意识延续：临终者将“思维印记”存入 AI 实现数字永生 ⚫ 伦理铁律：立法禁止“完全意识复制”，保留人类生物独特性 当我们在深夜与

先显式地写出推理的中间步骤。这就像人 类解决复杂问题时会先把思考过程写下来 一样。 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 （ 671B ） 满血版模型 ，支持校园办公自动化、 科研项目辅助、 学术资源分析等多领域应 用 浙江大学、 中国人民大学、 厦门大学、 北京师范大学、 北京 交 通大学等高校发布消息 ，表示正在探索开展有关 DeepSeek 的 实践应用 ，部分高校已在自主研发的教学课程平台中接入 该大 模型。 DeepSeek 化身智能“助教” ，为师生深度思考赋能。 4.2 国产 AI 大模型 DeepSeek 一种简单粗暴的做法是多买一些已经适配过的卡 ，把它给 装进去 ，再结合用户的私有数据 ，去做常规的 RAG 或微 调。 这种方式简单易操作 ，但成本较高。 现在 ， 高校和科研院所在探索一些新方法。 比如 ， 先将开 源模型蒸馏 ，获得更小参数的模型 ，来降低算力需求 4.4 本地部署大模型方 案 高校本地部署大模型面临的问题： n 2025 年 2 月 10 日 ，清华大学

自带设备学习 （ BYOD ） 新技术全学科运用 我们以云计算为基础，在语文、数学、英语、音乐、美术、科学等 学科中开展基于移动终端的云学习，并借助无线互联网和智能移动 终端，进行教学创新，以期探索出具有南方科技大学实验学校特质 的信息化教与学模式。 配备 PAD 移动终端（板书、分 享、评价、展示） Windows8 操作系统、多点触控显示器 1. 构建新技术支持的全新教学环境 终端：

促进工业应用的生成与落地。 尽管目前工业大模型的应用已经渗透到工业的多个环节，应用场景较多，但碎片化明显。其中，知识管理/知识问答、数据 助手/数据问答、专业内容生产以及视觉检测四个方向，是目前应用探索最多的领域。工业大模型经过一年多的发展，目前 总体处于小规模商业应用落地阶段。 工业大模型凭借其卓越的理解、生成和泛化能力，通过与工业领域的深度融合，有望为工业领域带来 “基础模型 + 各类应用” 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。 高效能材料的发现，直接关系着电池的能量密度、性能表现、使用寿命、安全性和成本等关键指标。电池企业正在 材料筛选及研发上积极探索 AI 技术的深入应用。 在锂电池设计方面，利用 AI 高效仿真模型，可以在原子、分子、颗粒、电极和电芯等多个尺度上进行仿真模拟， 让研发人员更深入地理解电池内部的作用机理，并在此基础上快速优化材料和结构设计，缩短设计时长。