虚拟现实 自动驾驶 生态 PyTorch TensorFlow MindScope 训练算法 无监督预训练 强化学习 前沿探索阶段 底层计算库： CUDA 、 CANN( 华为 ) 有监督微调 对比学习 * 互联网爬取、规模大 LLM 预训练 多维并行算法 状态监测、任务调度 语言通用模型： DeepSeek-R1 统一端：解码架构 统一预训练框架 电力通用任务 布 式 并 行 训练 提 供电 力多模 态 基 础 模 型 模型并行 流水线并行 支持分布式并行训练 后训练：能力增强与偏好对齐 指令微调技术 人类反馈强化学习 多模态统一编码 关键特征抽取 图保始码算法 动态分辨率 视须关睫帧态知 多场景协间增强 真实龄据感知 电气信号始码 高雌特征映射 电气词表扩充 提 供 隐私保护 MD A. MD1 B. MD 1 、数据生成：纯文本数据制作管 线 构建高效的 半自动化数据制作管线，为预训练和下游任务微调提供大规模、高质量的电力领域文本数据支撑 15/37 质量考核 数据清洗 存储高质量数据 提示词 十 种子数据 提供自动 化标注 提供高质 量数据 指令 回答 数据 标注 构

识别、多轮对话等能力。 应用场景日益丰富 中国南方电网 CHINA SOUTHERN POWER GRID 24 1. 行业专用大模型 · 从通用大模型向电力垂直领域深化，构建“预训练 + 微调”的行业底座 ( 如“电力 GPT”) 。 2. 多智能体协同 · 大模型作为调度中枢，协调发电、储能、用户等多元主体，支撑新型电力系统“源网荷 储”互动。 3. 数字孪生集成 · 中国南方电网 CHINA SOUTHERN POWER GRID 。 38 电力人工智能的研究和思考 口电力人工智能 AI EPS 涉及大规模并行训练，场景任务，学习训练 推理 场景任务 任务微调 预训练 参数 ? ? ? 大规模参数 计算量 减小 ? 精度 不变 并行训练 上亿级 样本 源荷 预测 电力 平衡 风险 判别 久 千万级维度 中国南方电网 CHINA 电力智能大模型训练和推理 口研究电力人工智能 AI EPS 大模型基础技术，形成模型设计、开发、应用 系 列关键方法。 电力大模型训练和推理技术 难点 参数 轻量化 微调 推理 算力 并行 调度 加速 数据 评价 网络 清洗 设计 设计 ■ 电力大模型基础网络构建困难 ■ 面向多元高维向量表征的大模型训练算 法尚属空白

并展现出强 大的泛化、推理和上下文学习能力。 大模型的核心特 征包括以下 4 方面 [5-6]。 其一,巨量参数:模型复杂度和能力的物理基础。 其二,预训练+微调范式:利用大规模无标注数据 预训练获得通用知识,再通过特定领域标注数据微调 适应下游任务。 其三,涌现能力:模型规模达到临界点后表现出的 超越小模型的、不可预测的新能力,如复杂推理、代码 生成。 其四,多模态融合:处理和理解文本、图像、语音等 评估、应用部署等方面的技术标准;规范不同场景下大 模型应用的功能、性能和交互要求。 4. 3 一个赋能平台(开发+部署+运营) 模型开发与微调平台:提供低代码/ 无代码工具 链,支持开发者便捷地调用基础模型能力,利用本地数 据安全高效地进行领域微调、提示词工程。 模型服务与集成平台部署:提供模型应用程序编 ·93· ���E�����0 程接口(Application Programming

根据不同的应用任务 设计多 个输出头， 如一个输出头用于预测新材料的性能， 一个输出 头用于推荐可能的合成路径， 另一个输出头用于 分析潜在的 应用场景等， 实现模型的多功能输出。 预训练与微调：使用大规模的无监督数据对模型进行预训练， 让模型自动学习新材料领域的通用知识和数据模式 。在预训 练过程中， 采用多种预训练任务， 如掩码语言模型任务， 随 机掩盖输入文本数据中的部分词汇 材料领域知识的基础理解 。然后， 针对具体的应用场景和任 务， 使用少量的有监督数据对预训练模型进行微调 。例如 ， 在构建新材料性能预测模型时， 使用包含材料成分 、制备工 艺和性能数据的有监督数据集对预训练模型进行微调 ，让模 型能够更准确地针对性能预测任务进行优化 。通过这种预训 练和微调相结合的方式， 既利用了大规模无监督数据的丰 富 信息， 又能使模型在具体任务上表现出优异的性能。 衡技术， 对新数据进行预处理， 使其分布 与模型训练数据更 为相似， 或者使用在线学习算法， 让模 型在运行过程中逐渐 适应新的数据分布 。若发现是模型内 部参数老化或过拟合问 题， 可运用模型微调技术， 使用最 新的高质量标注数据对模 型进行重新训练， 调整模型参 数， 提升模型对当前数据的拟 合能力 。同时， 持续评估优 化措施的效果， 将优化后的模型 重新投入监测环境， 对比 性能指标的变化情况

化加工 建立新的数据 / 语料 / 知识加工生产线，满足 AI 时代的高质量、高效率、自动化加工的诉求。 构建一站式数据工程平台,为大模型训练高效率、高质量地供数 预训练数据集 微调数据集 多轮 问答 库 RLHF 数据集 数据获取 数据清洗 数据标注 数据评估 图片 QA 评 估 视频 caption 评估 评估标准 评估任务 数据发布 总线 + 昇腾 NPU 的协同 设计，进一步实现 CCA 方案在华为计算的落地，借助 于 ARM V9 CCA 的安全特性，通过软硬协同进一步 降低 AI 机密推理（及微调）的性能损耗，为大模型机 密推理与微调提供兼顾安全与效率的机密计算解决方 案。 3、新生态：数智共生 3.1 培育多元数据生态主体 数据生态是指数据空间参与各方依据既定规则，围 绕数据资源的流通、共享、开发、利用开展价值共

平台要具备强大的模型管理功能，能够实现对 DeepSeek、通义千问等通用大模型的统一管理。包 括模型的导入、部署、更新、版本控制等。要支持模 型的训练和优化，能够根据政务领域的语料和知识， 对通用大模型进行微调，提高模型在政务场景下的应 用效果。 同时，要提供模型性能监控和评估功能，及时发 现模型运行过程中的问题并进行优化，确保模型的稳 定运行和应用效果。 2.2.3 可信管控 可信管控功能是平台安全运行的核心保障，包括 成等方面表现出色，可用于政务知识查询、智能办公 辅助等场景；智谱大模型在逻辑推理、数据分析等方 面具有优势，适合用于政策分析、风险评估等场景。 行业模型方面，基于政务语料库对通用模型进行 微调，开发针对特定部门和场景的行业模型。例如， 为省高级人民法院开发法律文书生成模型，通过输入 案件事实和相关法律条款，自动生成裁判文书初稿； 为省生态环境厅开发污染预测模型，利用历史污染数 据

黑名单过滤：排除流动性不足的标的 实盘迭代优化 建立持续学习系统，每日自动执行： 1. 监控模型预测与实际行情的偏离度 2. 当累计预测误差超过 2σ 时触发再训练 3. 通过在线学习（Online Learning）微调模型参数 关键性能指标需满足：  年化夏普比率≥1.5（回测周期≥3 年）  胜率≥55%（单边交易）  最大回撤＜15%  交易信号衰减半衰期＞6 个月 模型部署采用容器化方案，通过 以下为 典型模型与数据类型的匹配方案： 数据类型 推荐模型 优化重点 结构化价格序列 TCN（时序卷积网络） 卷积核尺寸与层级堆叠 非结构化文本 BERT+Attention 融合层 预训练微调与特征降维 高维稀疏订单簿 因子分解机（FM） 隐向量维度与实时推理延迟 模型设计需遵循三阶段验证流程： 1. 离线回测阶段：采用 Walk-Forward 优化，按 6:2:2 划分训 练/验证/测试集，避免 胜率调整：当样本外胜率低于回测 15 个百分点时触发复核 3. 盈亏一致性测试：使用 K-S 检验比较回测与实盘盈亏分布（p 值≥0.1 为通过） 动态优化 建立三阶段优化机制： 1. 参数微调：每周滚动优化一次，调整幅度不超过原值 10% 2. 策略迭代：当夏普比率连续两周低于 1.5 时启动 3. 失效判定：半年内累计超额收益归零则停止策略 所有实盘数据需同步至离线分析系统，通过对比回测与实盘交

Ⓒ中国电信版权所有 当前，AI 小模型已在光纤同路由检测、精确故障识别及智能 Wi-Fi 调 优等特殊任务中展现了显著效果，提升了风险识别与定位能力。大模 型结合运维模型、语料治理与微调，初步形成闭环智能体，但其应用 并不广泛。自动化管控融合 AI，增强了波长/速率优化、SLA 保障及 自动调测能力，推动光网络的高效敏捷运维。当前光网络 AI 技术发 展仍面临两大关键挑战：一是

性的自动化工作流。同样，工作流的编写需要依赖人工，依赖编写人员对业务变更诉求、网 络变更步骤、工作流编写技能，都有比较深入的理解。 自动化Agent，内置大语言模型的学习理解能力，通过提前预训练和模型微调，使模 型具有编写设备对接驱动包和编排工作流的基础知识能力。在此能力基础上，通过对不同厂 商不同款型设备的操作手册等资料进行学习理解，就可根据资料内容，自动生成用于设备对 接的驱动包。类似的，

直流变频功能：抬杆和落杆速度可以独立调节，可以实现 高速抬杆，快速通行； 行星齿轮：传动效率高，性能稳定 快速开闸，最快可达 0.6/0.9/1.5S(2/3/4 米) 支持遇阻反弹，开优先保护功能 免学习、按键微调限位 置， 调试简单 事件日志记录、方便操作追踪 支持红外，地感，雷达等多种防砸 手动开闸功能：停电情况下可使用辅助工具使道闸保持打 开状态 套 2 3 安全岛等 参考尺寸：1500*500*110mm