.............................................................................38 2.3.2 基于视觉大模型的零样本或少样本异常检测 ............................................................................... 40 2.3.3 RAG 线维护/排产建议，大幅提升制造效率，降低运维 成本。 第三，识别/模拟/预测能力。 在工业质检环节，用大量数据训练视觉大模型 (CV)， 使模型具备更强的场景泛化识别能力，可用于产品 质检，安全监测复判等流程，助力实现零样本或少 样本缺陷检测。 在生产制造环节之外，工业大模型的仿真与模拟能 力，亦可助力工业产品研发与设计环节。例如实时 仿真模型的建立与仿真环境的创建。 在预测方面，工业大模型助力由原先局部建模预测至 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、 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

数据准备：few-shot long cot data, 详细带反思和验证的数据集 ➢ 双重验证：由人类注释者和 R1-zero 生成的高质量链式思考 （Chain-of-Thought, CoT）数据，部分样本长度达到 10,000 Token ➢ 成效：提供一些 Human Prior \ 显著提升了语言的语义连贯性、可 读性和基本推理能力。 ➢ 推理为中心RL Reasoning-Oriented 合成视觉推理数据 是人工生成的，包括程序化创建的图像和场景，旨在提高特定的视觉推理技能，例如理解 空间关系、几何模式和物体交互。这些合成数据集提供了可控环境，用于测试模型的视觉推理能力，并且可以 无限生成训练样本。 ➢ 文本渲染数据 是通过将文本内容转换为视觉格式创建的，使模型能够在不同模态下保持一致的文本处理能力。 通过将文本文档、代码片段和结构化数据转换为图像，确保模型无论接收的是纯文本输入还是截图或照片中的 39 技术对比讨论：蒸馏 vs 强化学习 ➢ Open Questions: ➢ Long-COT 指令数据扩展是否有助于慢思考推理能力？ ➢ 哪种 Long-COT 数据构造方式具有最佳样本效率？ ➢ Long-COT 及其扩展是否有助于多模态任务？ ➢ Takeaways from RedStar [1]: ➢ Long-COT 在有限数据下增强推理能力：小规模数据集（如 1

优化特性 24 参数面 用于智能集群分布式推理时参数交换，要求网络具备高吞吐低时延能力，部署高带宽的智能 无损 RoCE 网络，每台推理服务器 8 个 200GE ROCE 光口 样本面 用于访问存储区的高速大带宽互联的存储系统，推荐部署为 RoCE 无损网络，每台推理服务器 2 个 25GE 光口 业务面 用于系统业务调度和管理。通常部署为 TCP/IP 有损网络，每台推力卡服务器 交换机 Leaf CE9860*2 台 Spine CE9860*2 台 参数面 推理读流量 AI 推理服务器（ Atlas 800I A2 ） 4 台 *8 口 *200GE 样本面（可选） CE9860 8*25GE 带外管理面（ BMC 管理可选） CE5882 4*GE DeepseekV3/R1 模型本地化部署组网 方案 图 例 400G 200G

AIGC 的核心思想是利用人工智能算法生成具有一定创意和质量的内容。通过 训练模型和大量数据的学习 ， AIGC 可以根据输入的条件或指导 ，生成与之 相 关的内容。例如 ，通过输入关键词、描述或样本 ， AIGC 可以生成与之 相匹配 的文章、图像、音频等 n AIGC 技术不仅可以提高内容生产的效率和质量 ，还可以为创作者提供更多的 灵感和支持。在文学创作、艺术设计、游戏开发等领域