能力、容量保障、市场衔接、技术标准、合规管理以及新型电力系统建设等多方面 的挑战和问题。需要持续深化改革、推动创新、加强协同，以应对这些挑战和问题，推动电力市场的持续健康发展。 4 三、挑战与应对策略 （一） 27 ◼ 挑战：根技术、大小模型、开放生态。深度赋能、民生。算力基座、数据集、算法。 1、数据准确性方面：首先，在处理能源领域历史事件、人物事迹等内容时可能出现不准确的情况，如对一些能源领域重要人物的生平、 DeepSeek版本可能存在参数规模受限、功能不完整等问题，如一些本地版缺少多模动态、文件分析、实时联网等核心功能，推理能力也 相对较弱，无法满足能源行业复杂业务场景的需求。 4 三、挑战与应对策略 （一） 28 ◼ 应对策略：以人为本 1、构建专业语料库：收集能源领域的专业文献、研究报告、行业标准、技术规范等资料，构建专门的能源语料库。并对数据进行清 洗、标注和分类，确保数据的准确性和一致性，为

• 提升训练速度同时保持精度，降低硬件门槛 数据蒸馏技术 • 从海量数据中提炼⾼价值信息，提升模 型 学习 效率 • 蒸馏垂类⼩模型能⼒，不输于全尺⼨模 型 GRPO( 群体相对策略优 化 ) • ⼤道⾄简，⽤强化学习跳出题海和⼩ 测 让模型⾃⼰学会 思考 DeepSeek 的创新突破 效果体验惊艳，成本极致压缩 8 成本优势 技术震撼 开源引爆 垂直适配 •

• 从海量数据中提炼⾼价值信息，提升模型 学习效率 • 蒸馏垂类⼩模型能⼒，不输于全尺⼨模型 数据蒸馏技术 • ⼤道⾄简，⽤强化学习跳出题海和⼩测 让模型⾃⼰学会思考 GRPO(群体相对策略优化) 效果体验惊艳，成本极致压缩 8 为什么⼈⼈都爱DeepSeek? 成本优势 • 550万美元预训练成 本达到GPT-4级别性 能，打破“算⼒军备 竞赛”魔咒 • 技术成本的下降，为

9 基于规则的奖励 (Rule-Based Reward) : 准确率奖励 + 格式奖 励 推理为中心大规模强化学习：组相对策略优化（ GRPO ） + 瞄准 Reasoning 推理任务 自我迭代提升 Self-Evolution ： 随着训练步数的增长，模型的 thinking response length 逐 多目标优化：兼顾推理性能、帮助性和安全性； 蒸馏的潜力：蒸馏可以帮助将更大模型通过 RL 发现的高阶推理范式蒸馏到小模型中，这比用小 模型直接使用大规模 RL 发现的推理范式要更加有效； 基于群组的相对策略优化 (GRPO) : 通过构建多个模型输出的群组，并计算群组内的相对奖励来 估计基线，从而避免了传统策略优化算法中需要使用与策略模型大小相同的评论模型 降低 RL 训练的计算成本 \

量实验数据和非 唯一最优解等影响，后训练的效果提升相对有限。从落地质效来看，DeepSeek通过创新的模型结构和训练任务优化，如多令牌预测 （MTP）、多头潜在注意力机制（MLA）、GRPO（分组相对策略优化）等，在保持高性能的同时，大幅降低了训练和推理成本。这些低 成本、高性能的开源模型（如DeepSeek、阿里QwQ系列）极大推动了大模型的商业化实践，吸引更多需求方拥抱大模型能力底座，并进 一 用社区反馈改进模型性能， 形成技术反哺 DeepSeek V3 Base 第一阶段：训练DeepSeek R1 Zero DeepSeek R1 Zero DeepSeek R1 采用GRPO（组相对策略优化） 进行强化学习训练 • 准确性奖励：评估模型输出内 容是否正确 • 格式奖励：评估模型是否使用 标准化格式输出推理过程和最 终答案 DeepSeek V3 Base 第二阶段：训练DeepSeek

量实验数据和非 唯一最优解等影响，后训练的效果提升相对有限。从落地质效来看，DeepSeek通过创新的模型结构和训练任务优化，如多令牌预测 （MTP）、多头潜在注意力机制（MLA）、GRPO（分组相对策略优化）等，在保持高性能的同时，大幅降低了训练和推理成本。这些低 成本、高性能的开源模型（如DeepSeek、阿里QwQ系列）极大推动了大模型的商业化实践，吸引更多需求方拥抱大模型能力底座，并进 一 用社区反馈改进模型性能， 形成技术反哺 DeepSeek V3 Base 第一阶段：训练DeepSeek R1 Zero DeepSeek R1 Zero DeepSeek R1 采用GRPO（组相对策略优化） 进行强化学习训练 • 准确性奖励：评估模型输出内 容是否正确 • 格式奖励：评估模型是否使用 标准化格式输出推理过程和最 终答案 DeepSeek V3 Base 第二阶段：训练DeepSeek

分析决策平台。通过建立日报、周报、月报、专报、年报的报告体系，开展对高 频民生热点问题、治理难点堵点问题的深度诊断，系统呈现民众诉求的分布情况 和政府部门的治理效果，形成对社会运行、政府治理的全面理解和认知，并提出 针对性的对策建议和解决方案，从而发挥辅助政府决策施政的关键性作用。 三、当前政务热线发展面临的挑战 政务热线业务流程可大致分为接诉、办理、评估、治理四个环节，分别对应 诉求的接听、工单的流转与处置、诉求办理的质量检查与考核激励，以及基于热

分析决策平台。通过建立日报、周报、月报、专报、年报的报告体系，开展对高 频民生热点问题、治理难点堵点问题的深度诊断，系统呈现民众诉求的分布情况 和政府部门的治理效果，形成对社会运行、政府治理的全面理解和认知，并提出 针对性的对策建议和解决方案，从而发挥辅助政府决策施政的关键性作用。 三、当前政务热线发展面临的挑战 政务热线业务流程可大致分为接诉、办理、评估、治理四个环节，分别对应 诉求的接听、工单的流转与处置、诉求办理的质量检查与考核激励，以及基于热

素限制,本成熟 度得分可能无法完全反映所有细分行业的发展差异化特征。但可以将该智能化成 熟度得分作为长期观察和分析行业智能化转型的参考和依据,进而为中国企业提 供务实可行的经验案例、趋势预判和对策建议。 再次强调的是:本调研仍然在持续进行中,越来越多的企业正在或即将参与 到智能化成熟度评估中。报告会以年度迭代更新的方式,持续跟踪和监测行业发 展状况。粗放式发展时代渐行渐远, 在走向不确定的未来道路上

https://spectrum.ieee.org/atlas-drc-robot-is-75-percent-new-completely-unplugg e. [13] 何涌.机电一体化技术专业发展现状及对策[J].湖南农机,2013,40(01):157-158. [14]崔建超.基于足部传感信息的类人机器人稳态行走控制器研究[D].吉林大学,2023.DOI:10. 27162/d.cnki.gjlin