AI-Native
产品的终极价值是提 供个性化的交互，⽽
lossless
long-context
是实现这⼀点的基础
⸺
模型的微调⻓期不应该存在， ⽤⼾跟模型的交互历史就是最好的个性化过程，历史上每⼀代技术都是在提升
context
length。
杨植麟⾝上的标签有天才
AI
科学家、连续创业者……在这次深度访谈中，他再次证明⾃⼰是个真 正“懂”⼤模型的创业者，所以本⽂中有许 然后我其实⽐较乐观，因为现在仍有巨⼤的
tech
space。AGI
技术可以分为三层：
第⼀层是
scaling
law
结合
next-token-prediction。这个基础对所有⼈都是⼀样的，追赶过程逐渐收 敛。在这个路径上，
OpenAI
现在做得更好，因为他们过去四五年投⼊了相应的资源。 第⼆层现在有两个核⼼问题。⾸先是如何通⽤地表⽰这个世界？真正的“通⽤”是像计算机⼀样，⽤
0
和 两者会有⽭盾吗，怎么来平衡？ 杨植麟：如何讲故事取决于投资⼈的⼼态。对我们来说，更重要的是理解两者之间的关系。 AGI
和产品对我们来说并不是⼿段和⽬的的关系，两个都是⽬的。同时，在追求
AGI
的过程中，我认为 所谓的数据⻜轮是很重要的，尽管它是⼀个⽼套的概念。 像
ChatGPT
这样的产品，还没有完全建⽴起基于⽤⼾数据的持续进化。我觉得这很⼤程度上是
base
model
还在进化，

择合 适的模型，实现最佳效果。 提示语策略差异 1 2 推理模型 通用模型 • 提示语更简洁，只需明确任务目标和 需求（因其已内化推理逻辑）。 • 无需逐步指导，模型自动生成结构化 推理过程（若强行拆解步骤，反而可 能限制其能力）。 • 需显式引导推理步骤（如通过CoT提 示），否则可能跳过关键逻辑。 • 依赖提示语补偿能力短板（如要求分 步思考、提供示例）。 关键原则 3 题分析到创意生成，再到结果优化的全过程。 语境理解能力使设计者能够在复杂的社会和文化背景 下工作；抽象化能力有助于提高工作效率和拓展应用 范围；批判性思考是确保AI应用可靠性和公平性的关 键；创新思维能力推动了AI应用的边界拓展，而伦理 意识则确保了AI的发展与社会价值观相符。 提示语的DNA：解构强大提示语的基本元素 提示语的基本元素分类 信息类元素决定了AI在生成过程中需要处理的具体内 提示语的基本元素可以根据其功能和作用分为三个大类：信息类元素、结构类元素和控制类元素： 结构类元素用于定义生成内容的组织形式和呈现方式， 决定了AI输出的结构、格式和风格。 控制类元素用于管理和引导AI的生成过程，确保输出 符合预期并能够进行必要的调整，是实现高级提示语 工程的重要工具。 提示语的DNA：解构强大提示语的基本元素 提示语元素组合矩阵 提示语元素协同效应理论的核心观点包括： ▪ 互

择合 适的模型，实现最佳效果。 提示语策略差异 1 2 推理模型 通用模型 • 提示语更简洁，只需明确任务目标和 需求（因其已内化推理逻辑）。 • 无需逐步指导，模型自动生成结构化 推理过程（若强行拆解步骤，反而可 能限制其能力）。 • 需显式引导推理步骤（如通过CoT提 示），否则可能跳过关键逻辑。 • 依赖提示语补偿能力短板（如要求分 步思考、提供示例）。 关键原则 3 题分析到创意生成，再到结果优化的全过程。 语境理解能力使设计者能够在复杂的社会和文化背景 下工作；抽象化能力有助于提高工作效率和拓展应用 范围；批判性思考是确保AI应用可靠性和公平性的关 键；创新思维能力推动了AI应用的边界拓展，而伦理 意识则确保了AI的发展与社会价值观相符。 提示语的DNA：解构强大提示语的基本元素 提示语的基本元素分类 信息类元素决定了AI在生成过程中需要处理的具体内 提示语的基本元素可以根据其功能和作用分为三个大类：信息类元素、结构类元素和控制类元素： 结构类元素用于定义生成内容的组织形式和呈现方式， 决定了AI输出的结构、格式和风格。 控制类元素用于管理和引导AI的生成过程，确保输出 符合预期并能够进行必要的调整，是实现高级提示语 工程的重要工具。 提示语的DNA：解构强大提示语的基本元素 提示语元素组合矩阵 提示语元素协同效应理论的核心观点包括： ▪ 互

技术隐私保护和成本优化的未来方向。中国在这一领域的探索，为行业提供 了宝贵经验。 推理扩展法则的潜力释放 通过推理扩展法则，模型性能可通过延长“思考时间”而进一步优化。这一技术模拟了人类 “深思熟虑”的过程，显著提升了模型在逻辑推理和复杂任务中的表现。 中国开源社区在逻辑推理领域推出了许多创新项目，包括阿里巴巴国际的 Macro-o1、通义 千问团队的 QwQ、上海人工智能实验室的 LLaMA-O1 LLaMA-O1 和清华大学的 Llama-3.2V-11B-cot。 这些模型不仅在技术上各具特色，还通过开源策略分享了大量研究细节，为整个开源社区提供了 23 / 111 丰富的资源，在这一过程中，小模型不仅在推理能力上有了显著提升，也推动了行业整体技术水 平的进步。 结合当前人工智能产业界的“人工智能+”计划，小模型在特定任务优化上的优势愈发突出， 预计将在金融、医疗和工业自动化等热门领域发挥 开 源”与传统的开源定义并不相同。我所说的开源策略是指以开源发布软件为起点，用户/开发者 运营为途径的软件产品推广策略。 我的观点是，开源策略是大模型最好的竞争策略。接下来让我们从头捋一捋推导过程。 我们先看大模型赛道的整体状况：  大模型是一项相对较新的技术。尽管 OpenAI 早在 2019 年就发布了第一个重要的 模型 GPT-2，但大模型的广受关注实际始于 2022 年 11

量评估或产品验证的最终依据。 文本数据集成  一般文本处理任务中，DeepSeek R1所提取的文本数据维度最为全面，但容易受文本长度或模型稳定性影响出现失误；其他三个模型在文本数 据提取过程中，都存在对部分数据的忽略问题，没有完整集成到可视化表格中；  长文本处理任务中，Kimi k1.5相较短文本处理表现更加突出，提取准确的同时数据维度更加全面；由于文本过长DeepSeek R1无法完成任务； 基于数据集，在整体数据概括后提供多个 深入数据挖掘方向，根据需求输入研究倾 向，高效生成多个维度的数据分析，语言 简洁，挖掘深度较浅。 Kimi k1.5 提供数据的潜在用途方向，深入分 析过程中，从多个维度（如时间、 语言、地区）深入挖掘数据意义和 关联性，进一步总结趋势结论并提 出相关建议。  Kimi k1.5该任务中表现最为出色，对特征进行精准分类，从多维度深入挖掘指定数据的深层内涵和关联性； ，每行只给出一个句子 所提供段落的语言是中文，以下是按要求的标记表格式翻译成英文的译文： Original (Chinese) Translation (English) 捕食是一个基本的生态过程，捕食的定义为：一种生物（捕食 者）捕食了另一种生物（猎物）（Begon等，1997）。 Predation is a fundamental ecological process,defined

和“集市”实际上象征了两种截然相反的软件开发模式：“大教堂”模式指代的是软件企业进行商业化软件开发的流程， 通常由少数领导决策、下属团队执行，开发过程紧凑高效，以商业化成功为导向；“集市”模式指代的是开源软件的开发 模式，软件代码公开，海量用户和开发者在了解软件的过程中不断提出改进意见并查缺补漏，并都在开源社区中交换彼此 的创意和意见，满足市场需求的开发路径自然会获得更多人的青睐和进一步的改进。热衷于开源运动的开发者认为，“集 “集市” “大教堂” 依靠精英，自上而下 依靠大众，自下而上 “集市”开发模式强调为众多的开 发者创设一个鼓励创新、交流的公 平和公开环境，在开发者能够自由 交换关于软件进步路径的看法，并 在沟通过程中自然选择出最合适的 方向。这一模式可能更适合具备长 期成长价值和进步空间的基础软件。 通过“德尔菲方法”实 现不断进化 效率至上，商业结果导向 8 ©2022.2 iResearch Inc 证的约束下使用迭代版本，社区中的其他 机构提供法律、行业发展等服务和指导，不同角色间互相配合，有效协作，达成技术交流或商业目的。开源运营和治理环 节，无论是由企业主导还是由基金会主导，在整个开源项目过程中都处于关键位置，包含软件开发和发行、市场推广、版 本迭代更新、版权管理和安全管理等内容，这些环节和商业企业的软件项目有一些相似之处，但更加注重从社区的使用者 和贡献者处得到观点和启发，并用以驱动项目未来的发展。

秉持共同、综合、合作、可持续的安全观，坚持发展和安全并重，以促 进人工智能创新发展为第一要务，以有效防范化解人工智能安全风险为出发点 和落脚点，构建各方共同参与、技管结合、分工协作的治理机制，压实相关主 体安全责任，打造全过程全要素治理链条，培育安全、可靠、公平、透明的人 工智能技术研发和应用生态，推动人工智能健康发展和规范应用，切实维护国 家主权、安全和发展利益，保障公民、法人和其他组织的合法权益，确保人工 智能技术造福于人类。 全风险，提出针对性防范应对 措施。关注安全风险发展变化，快速动态精准调整治理措施，持续优化治理机 制和方式，对确需政府监管事项及时予以响应。 1.3 技管结合、协同应对。面向人工智能研发应用全过程，综合运用技术、 管理相结合的安全治理措施，防范应对不同类型安全风险。围绕人工智能研发 应用生态链，明确模型算法研发者、服务提供者、使用者等相关主体的安全责 任，有机发挥政府监管、行业自律、社会监督等治理机制作用。 之变化，防范应对措施也将相 应动态调整更新，需要各方共同对治理框架持续优化完善。 2.1 安全风险方面。通过分析人工智能技术特性，以及在不同行业领域 应用场景，梳理人工智能技术本身，及其在应用过程中面临的各种安全风险 隐患。 2.2 技术应对措施方面。针对模型算法、训练数据、算力设施、产品服务、 应用场景，提出通过安全软件开发、数据质量提升、安全建设运维、测评监测 加固等技术手段提升

DeepSeek-R1 完整训练过程 . . . . . . . . . . . . . . . . . . . 7 3.1.1 核心创新 1：含 R1-Zero 的中间推理模型 . . . . . . . 8 3.1.2 核心创新 2：通用强化学习 . . . . . . . . . . . . . . . 8 3.2 含 R1-Zero 的中间推理模型训练过程 . . . . . . . . . . . . . . 9 3.3 通用强化学习训练过程 . . . . . . . . . . . . . . . . . . . . . . 10 3.4 总结 DeepSeek-R1 . . . . . . . . . . . . . . . . . . . . . . . . 11 4 参考文献 . . . . . . . . . . . . . . . . . . . . . 本地部署三个步骤 一共只需要三步，就能做到 DeepSeek 在本地运行并与它对话。 第一步，使用的是 ollama 管理各种不同大模型，ollama 比较直接、干净， 一键下载后安装就行，安装过程基本都是下一步。 不知道去哪里下载的，可以直接在我的公众号后台回复：ollama，下载这个 软件，然后装上，可以拿着手机扫码下图1直达我的公众号： 教程作者：郭震，工作 8 年目前美国 AI 博士在读，公众号：郭震

30政企、创业者必读 DeepSeek在用户体验上实现了三件事  更加理解用户需求，降低Prompt要求  直接呈现思维过程，展现像真人一样思考的能力  可实时联网，把搜索能力与推理能力结合 DeepSeek颠覆式创新——用户体验 具备强大推理能力，思维过程更加缜密，智能性提升 用起来更像真人，写作能力更强，想象力更丰富 31政企、创业者必读 DeepSeek-R1用户体验改善的作用 49政企、创业者必读 闭源云端通用大模型功能强大 但在政府企业场景中使用存在若干问题  训练知识为网上通用，缺少政府和企业内部知识，不懂业务，无 法解决实际问题  闭源模型云端部署，使用过程中数据外传上网，存在泄密风险  闭源模型规模庞大，无法为企业进行定制，无法本地部署  成本高昂，一般企业难以负担 50政企、创业者必读  不追求用一个大模型解决企业所有问题，而是找垂直场景，做专业技能大模型 十倍”原则 示例：人员招聘就是一个太大的、笼统的场景 需要细分成职位描述、简历筛选、面试评估等粒度更合适的场景 56政企、创业者必读 某省39家钢铁企业，联合打造钢铁基础大模型，将钢铁制造全过程拆分为142个场景 1· 原料 转 炉 炼 钢 热轧 煤 铁 矿 石 石 灰 石 废钢 合金 炼焦 烧结 球团 高炉炼铁 电 炉 炼 钢 精炼 连铸 冷轧/镀锌 调度 营销

欢迎来到Blender！Blender是⼀款免费开源的3D创作套件。 使⽤Blender，您可以创建3D可视化效果，例如静态图像，3D动画，VFX（视 觉特效）快照和视频编辑。它⾮常适合那些受益于其统⼀解决⽅案和响应式开 发过程的独⽴和⼩型⼯作室。 Blender是⼀款跨平台的应⽤⼯具，可以在Linux、macOS以及Windows系统下 运⾏。与其他3D建模⼯具相⽐，Blender对内存和驱动的需求更低。其界⾯使 ⽤O 司内部使⽤的3D套件过于陈旧复杂，难于维护和升级，应当从头开始重写。 在1995年这⼀⼯作开始了，其⽬标正是现在众所周知的3D软件创作套件 Blender。在NeoGeo不断优化和改进Blender的过程中，Ton想到Blender也可以 成为NeoGeo之外艺术家们的创作⼯具。 在1998年，Ton决定成⽴⼀家NeoGeo的衍⽣公司，名为Not a Number （NaN），⽬的是进⼀步运营和发 期望普通⽤户去编译 Blender，但这确实带来了⼀些优势: Blender永远保持最新状态。 允许访问开发阶段特性所在的任意版本或分⽀。 可以⾃由定制。 ⽆论是最新的稳定版，还是每⽇构建版，⼆进制⽂件的安装过程是相同的。按 照适⽤于您平台的步骤进⾏操作。 Note Blender没有内置的更新系统。这意味着您需要按照以下各节中描述的升级步 骤⾃⾏更新Blender。 安装向导 在Linux上安装 在macOS上安装