技术剖析：DeepSeek-R1 Zero DeepSeek-R1 Zero: 无需监督微调SFT，纯强化学习驱动的强推理模型 DeepSeek-v3-Base (671B) DeepSeek-R1-Zero 基于规则的奖励 Rule-Based Reward 推理为中心的大规模强化学习 Large-Scale Reasoning-Oriented RL 大规模推理为中心的强化学习，提升模型数学代码能力 RL驱动下自然涌现长文本推理能力 9 DeepSeek-R1 技术剖析：DeepSeek-R1 Zero DeepSeek-R1 Zero: 无需监督微调SFT，纯强化学习驱动的强推理模型 ➢ 奖励建模：基于规则的奖励 (Rule-Based Reward) : 准确率奖励 + 格式奖励 ➢ 准确率奖励 Accuracy Rewards: 判断答案是否是正确的 ➢ 格式奖励Format Rewards: 而retraining reward model 需要大量的计算资源，可能会复杂化整个流程 ➢ 训练模板：选择最简单的 Thinking Process，直接观察到最直接的RL过程下的表现 基于规则的奖励 (Rule-Based Reward) : 准确率奖励 + 格式奖励 10 DeepSeek-R1 技术剖析：DeepSeek-R1 Zero DeepSeek-R1 Zero: 无需

4 半导体行业 加速集成 电路芯片 设计流程 晶圆缺陷 检测 随着制造工艺提升，集成电路芯片制造的工艺线宽不断缩小，这将带来更复杂和更大规模的电路设计，传统 EDA 设计流程在应对设计规则复杂度、功耗及热管理、信号完整性等方面面临一系列挑战。 将 AI 技术与 EDA 工具相结合，在电路设计阶段，AI 可以自动识别和优化电路拓扑结构，通过深度学习模型预测 不同电路设计的性能指标（ 技术的应用正为工业领域带来前所未有的创新性变革。而且，工业领域对 AI 技术的部署，正在随着 AI 技术本 身的发展和工业应用复杂性的增加，日渐从传统的 AI 技术向更加复杂的工业大模型过渡。 传统 AI 技术则主要基于规则和知识库实现智能工作，它通常使用神经网络结构，通过大量数据进行训练，来获得较好的性 能。传统 AI 具有较强的实时性，能在特定场景下快速解决问题。但是，对于更加复杂的多样化应用场景，比如需要处理文 机、水泵、冷却塔，以及优化系统设计。此外，通过升级或优化 制冷机房的自动控制系统，可以进一步提高运行效率。尽管许多机房已配备自动控制系统，但节能潜力仍然巨大。这主要是 因为现有的自控系统采用基于规则的简单逻辑控制，难以适应暖通空调系统的动态和非线性特性，以及设备间的相互影响， 导致系统无法持续高效运行。因此，如何在确保舒适性和稳定性的前提下，实现暖通空调系统的经济性最优运行，成为了行 业面

Processing ， NLP ）领域中的一类大 模型， 通常 用于处理文本数据和理解自然语言 。 这类大模型 的主要特点是它们在大规模语料库上 进行了训练， 以学习自然语言的各种语法 、语义和语境规则 。 代表性产品包括 GPT 系列 （ OpenA I ） 、 Bard （ Google ） 、 DeepSeek 、文心一言 （百度）等 多模态大模型 是指能够处理多种不同类型数据的大模型，例如 提高准确性 5.1.5 AIGC 大模型的提示词 使用提示词需要注意一些技巧 ， 这样可以从大模型获得更加符合我们预期要求的结 果 简洁明确 示例驱动 考虑受众 明确角色 分解复杂任务 遵守规则 使用肯定性指令 自然语言回答 通用模型 n 需显式引导推理步骤（如通过“思 维链” 提示） ，否则可能跳过关键 逻辑。 n 依赖提示语补偿能力短板（如要求