集成学习建模 大数掘挖掘专家 2 目 录 3 背景与挖掘目标 智能客服场景一 大数掘挖掘专家 背景与挖掘目标 智能客服场景一 大数掘挖掘专家 4 背景与挖掘目标 智能客服场景二 大数掘挖掘专家 5 智能客服描述 > 目前常用的智能客服应用的原理是 ：先建立好标准问题 -- 答案库 ，每个标准问题都对应一个标准回答；当 客户提出问题后 ，系统经过一定的规则运算 ，将客户提问和标准问题关联起来 ，再把对应的标准回答反馈 给客户 ，让客户在与客服机器人交流的过程中有更便捷的体验。 背景与挖掘目标 大数掘挖掘专家 6 背景与挖掘目标 案例数据 大数掘挖掘专家 7 大数掘挖掘专家 8 案例流程 > 1 、文本预处理工作 ，包括分词、去停用词、近义词及错词处理 > 2 、提取基础 NLP 文本相似度特征 ，如编辑距离、 n-garm 距离 > 3 、计算词向量 ，并提取词向量相关特征 > 4 、提取深度学习特征 ，主要通过 LSTM 网络编码 > 5 、构建 Stacking 集成学习分类模型 ，并进行评价 分析方法与过程 大数掘挖掘专家 9 1

识库，本 指南（V1.0）在编纂过程中系统整合了互联网公开的行业案例库、学术文献及开 源技术成果。编写团队始终秉承开放共享与协作创新的理念， 在此向以下贡献者 致以专业致谢： 审计行业专家提供的领域知识框架； 开源社区共享的 AI 工程化实践经验； 学术机构发布的跨学科研究成果。 我们期待与行业同仁持续共建 DeepSeek 大模型在工程审计领域的知识生态 体系，推动工程审计智能化技术的普惠化发展。 采用了一些独特的架构设计，其中比较关键的是混合专家（MoE） 架构。混合专家模型（MoE）的核心思想是通过选择性激活子模型（专家模型） 3 来提高模型的计算效率和表达能力。 简单来说，MoE 架构就像是一个大型的专家团队，这个团队里有很多不同 “ ” 领域的 专家 （每个专家都是一个小的神经网络）。当人们提出一个问题时，会 “ ” 有一个 路由 机制来决定把这个问题交给哪个或哪些专家来处理。 例如数学 例如数学问题会被提交给擅长数学的专家。优点是对于不同类型的问题， 让 最合适的专家来处理，提高了处理效率，也降低了计算成本。 MoE 架 构 的 基 本 原 理 主 要 包 括 两 个 核 心 组 件 ： GateNet 和 Experts 。GateNet 的作用在于判定输入样本应该由哪个专家模型接管处理。而 Experts 则构成了一 组相对独立的专家模型，每个专家负责处理特定的输入子空间。

构成，各个要素环环相扣，共同构建和实现 新质生产力。 算力芯片 云服务平台 生产力提升 业务流程自动化 生产效率提升 基础设施层 大语言模型 模型层 2C 应用层 2B 业务层 AI Agent 专家知识 业务数据 文本问答 创意生成 Firefly Sora 1 、需要突破大模型准确率问题 2、需要结合企业数据进行训练和开发 3、需要与企业业务和流程紧密关联 4、需要关注数据安全问题 AskXBOT 国内大模型落地 的优选供应商 可信的企业级数 智化AI平台 场景兼容 范式创新 提质增效 知识沉淀 选育用留 平台产品特性 价值主张 事实性知识 Fact 企服场景下专家知识的五层模型 在企服领域内一致认同的共性知识 会计科目的代号，98521 1 高校列表，收款行的SWIFT代码， 供应商的基本信息，产品的特定规格和功能，法定假期的日期…… 企业内的约定规则和指导原则 社会性知识（Society) 领域性知识（Domain) 过程性知识（Process) 规则性知识（Rule) 事实性知识（Fact) 知识中心驱动的创新引擎，解放专家智慧，实现五层模型的灵活管理 AI Agent在金融行业如何落地 金融行业建设思路 提升期 专家知识实时运营 建设期 基于规则的知识解构 成熟期 群体智能涌现 • 完成不同业务领域试 点应用封装 • 全单位进行试点应用 推广 应用试点落地

年科大讯飞上市公司营收达 196.5 亿 n 在中国智能语音市场，科大讯飞以 60% 市场份额稳居第一 n 作为人工智能产业国家队 , 2023 年 7 月国家人工智能标准化总体组宣布讯飞担任大模型专家组联合组长 * 数据来源于 2023 年 6 月 30 日讯飞开放平台 ** 数据来源于中国语音产业联盟《 2020-2021 中国智能语音产业发展白皮书》 科大讯飞股份有限公司简介 n 科大讯飞股份有限公司成立于 IWSLT 比赛，科大讯飞与中科大语 音及语 言信息处理国家工程实验室团队在同声传译任务中包揽三个赛道的冠军） 机器口语评测技术（ 2008 年中文口语评测首次达到人类专家水平， 2012 年英文口语评测首次达到人类专家水平） 声音定位与检测技术（ DCASE 2020 Task3 冠军） 常识推理技术（ 2016 Winograd Schema Challenge 第一名） 知识发现技术（ 智慧农业业务总体架构 农田地理信息管理 智能灌溉管理 智慧农机管理 四情监测 物联设施管理 场景应用 数据中台 网络传输 终端设施 农事学习 智慧植保 AI 农事专家 知识服务 AI+ 遥感 大田种植 设施农业

时代，应用为王。为了解当下国内外主流大模型在保险领域应用的成熟度和稳定性，国内领先的保险科技平台——元 保，联合国内保险科技研究机构——分子实验室，共同发布《人工智能大模型保险行业应用评测报告》。报告特邀国内知名 高校专家学者、中国大地财产保险股份有限公司、众惠财产相互保险社等共同调研并撰写完成。 《报告》通过保险、法律、医疗等相关领域常规知识问题，测试大模型的基础能力，同时针对部分主要典型的应用能力设计 了保 了保险业务场景设定及问题，以测试大模型的实际应用能力。区别于以底层专业性能指标为评测维度的大模型评测报告， 《报告》以应用场景的视角和维度进行测评，向保险行业呈现更为实用和直观的信息，更具现实层面的指导意义。 本报告评测结果经专家组进行谨慎的综合论证形成，但考虑到大模型迭代速度日新月异，评测结果仅代表测试期间所呈现的 效果。报告在分析结论上难免存在一定的局限性和偏差，欢迎各届批评指正。 评测框架 保险垂直领域大模型评 智能理赔 实时质检 评测结果——国内大模型 聪明贴心“中国通” 答案与我国当前制度情况基本吻合，解答 的角度也更符合国内用户，理解起来比较 简单，此模型适合做专业报告及深度行业 解读的专家使用 保险常识 法律知识 医疗知识 营销素材 话术优化 话术推荐 保险规划 智能核保 智能理赔 实时质检 回答完整、全面，考虑到多方面情况，语 言表达流畅、自然、清晰、简洁；具备合

续航半径：70–300公里 • 时速：130–200公里/小时 个人飞行 货物运输 城市空中快线 低空观光 航校飞行培训 私人购买 按需租赁 商务包机 私人购买 本研究未涵盖 来源：专家访谈；案头研究；BCG分析。 图2 | 主流eVTOL分类及特征 波士顿咨询公司 2025年9月 中国载人eVTOL行业白皮书 4 1.3 核心要素协同，推动eVTOL商业化加速实现 eV 获得TC和PC后所需的 最短时间 • eVTOL运营公司 • eVTOL整机OEM厂商 （针对具体产品） • 地方民航局 • 中国民航局 申请主体 主管部门 监管部门 关注重点 所需时间 必要性 来源：专家访谈；BCG分析。 图3 | eVTOL商业化所需的关键认证 在当前监管框架下，eVTOL要实现生产销售，需通过型号合格证（type certificate， 简称TC）、生产许可证（production 覆盖 • 未来三年还将新建8,000个基站，覆盖所有起降点及 运行航线 通信体系 eVTOL 5G-A基站 来源：《深圳市低空基础设施高质量建设方案（2024–2026年）》；案头研究；专家访谈；BCG分析。 注：UTMISS = 无人驾驶航空器空管信息服务系统；SILAS = 低空智能融合系统。 图4 | 案例：深圳eVTOL基础设施规划 波士顿咨询公司 2025年9月 中国载人eVTOL行业白皮书

671B 参数 (GPT-3:175B 、 GPT-4:1.76T?) ■ 每个 token 激 活 3 7B 参数 (~5.5%), 降低计算 量 MoE: 1 共享专家 + 256 路由专家 MLA: 低秩压缩 DeepSeek v3 模型参 数 L=61 层 oo oouatence9 Input Hiden heOOOO ka 派 {vb ut ■ 核心技术 DeepSeekMoE: 显者减少计算量 ( 穷则战术穿插 ) ■ 针对美国的算力禁令 ■ 核心思想： 1 共享专家 +256 路由专家，激活 8 个路由专家 ■ 共享专家： 捕获通用知识、降低知识冗余 ■ 路由专家： 量大、细粒度、灵活组合、方便知识表达 ■ 结果：每个 Token 只要过 360 亿参数 (Llama 3.1 要 4050 亿参数 ) DeepSeek

、查询数据、控制设备 等多步骤的复杂任务，真正成为能够自主规划并解决问题的智能体。 企业级 AI Agent 围绕“工作”展开，“工具调用”是其最核心特征 数据来源：公开资料，东吴证券，专家访谈，甲子光年智库整理 Agent vs 企业级 AI Agent 的部分特征比 较 具备通用世界知识，但缺乏对特定 组织内部情境的理解 通常利用用户数据改进通用模型， 数据治理标准相对宽松 数据来源：公开资料，专家访谈，甲子光年智库整理 数据处理与隐私 情境感知能力 核心设计目标 www.jazzyear.com Agent 众多协议的涌现，为企业级 AI Agent 的实用性提供了“工具”基础（ 1/2 企业决 策由经验驱动转向数据驱动。 其核心在于 Agent 的多模态理解与逻辑推 理链（ CoT ）能力，能够整合分析不同来 源 的数据并发现深层因果关系。 数据来源：公开资料，专家访谈，甲子光年智库整理 企业级 AI Agent 并非单一工具的集合，而是一个集感知、思考、决策与执行于一体的数字员工。它以自然语言为交互入口，通过自动化执行、 内 容创造与数据洞察，深度

日常重复业务，在提高税收管理效率的同时，可以降低税收管理成本。 此外，大模型训练语料库涵盖了巨大的专业数据，其中包含中税 集团多年累积的超百万法规库、千万量级的案例判例、几万本税务电 子书，以及专家知识及实操案例等。 目前，税务行业标准大模型成为了税务这一垂直行业领域大模型 的典型应用，并在注册税务师考试中的成绩已经超越了 ChatGPT。凭 借其创新技术与应用表现，入选“北京市通用人工智能大模型行业应 领域内做行业场景训练并输出行业场景应用模型。 税务行业标准大模型具备以下技术优势： 1. 样本优化：通过样本优化技术，建立倒排定位，不断通过模型 微调自动化测试跑校验集，以实现高质量的逻辑链路。 2. 去重优化：通过专家高质量输入，淘汰低质句子及篇章粒度去 重，从而保证了文本的质量。 3. 算法优化：对算法模型本身进行了优化，包括位置编码优化、 中文语义优化、激活层非线性兼容、前向网络自适应、SFT 微调层、指 集团与中税集团组建专业团队，汇集多位深耕人工智能技术领 域的创新技术专家，以及具有丰富实操经验的税收专家，形成 GPT 培 训师团队，成为大模型效果持续优化的保障。 3、丰富的训练语料 360 数据量 A 股行业第一，是第二名的 2 倍，是 GPT-3 的 14 倍， 以搜索为基础，为大模型提供高质量的训练语料。中税集团借助深耕 涉税服务领域 30 余年积累的专家和知识，搭建涵盖包含超百万法规库、 千万量