剧本或对话设计 文本创作 长文本摘要（论文、报告） 文本简化（降低复杂度） 多语言翻译与本地化 摘要与改写 02 01 03 文本生成 自然语言理解与分析 知识推理 知识推理 逻辑问题解答（数学、常识推 理） 因果分析（事件关联性） 语义分析 语义解析 情感分析（评论、反馈） 意图识别（客服对话、用户查询） 实体提取（人名、地点、事件） 文本分类 文本分类 com 如何从入门到精通？ 当人人都会用AI时，你如何用得更好更出彩？ 推理模型 • 例如：DeepSeek-R1，GPT-o3在逻辑推理、数学推理和实时问题解决方面表现突出。 推理大模型： 推理大模型是指能够在传统的大语言模型基础上，强化推理、逻辑分析和决策能力的模型。它 们通常具备额外的技术，比如强化学习、神经符号推理、元学习等，来增强其推理和问题解决能力。 非推理大模型： 适用 生成合适的内容，但缺乏像 推理模型那样复杂的推理和决策能力。 维度 推理模型 通用模型 优势领域 数学推导、逻辑分析、代码生成、复杂问题拆解 文本生成、创意写作、多轮对话、开放性问答 劣势领域 发散性任务（如诗歌创作） 需要严格逻辑链的任务（如数学证明） 性能本质 专精于逻辑密度高的任务 擅长多样性高的任务 强弱判断 并非全面更强，仅在其训练目标领域显著优于通用模型 通用场景更灵活，但专项任务需依赖提示语补偿能力

剧本或对话设计 文本创作 长文本摘要（论文、报告） 文本简化（降低复杂度） 多语言翻译与本地化 摘要与改写 02 01 03 文本生成 自然语言理解与分析 知识推理 知识推理 逻辑问题解答（数学、常识推 理） 因果分析（事件关联性） 语义分析 语义解析 情感分析（评论、反馈） 意图识别（客服对话、用户查询） 实体提取（人名、地点、事件） 文本分类 文本分类 APP：DeepSeek 如何从入门到精通？ 当人人都会用AI时，你如何用得更好更出彩？ 推理模型 • 例如：DeepSeek-R1，GPT-o3在逻辑推理、数学推理和实时问题解决方面表现突出。 推理大模型： 推理大模型是指能够在传统的大语言模型基础上，强化推理、逻辑分析和决策能力的模型。它 们通常具备额外的技术，比如强化学习、神经符号推理、元学习等，来增强其推理和问题解决能力。 非推理大模型： 适用 生成合适的内容，但缺乏像 推理模型那样复杂的推理和决策能力。 维度 推理模型 通用模型 优势领域 数学推导、逻辑分析、代码生成、复杂问题拆解 文本生成、创意写作、多轮对话、开放性问答 劣势领域 发散性任务（如诗歌创作） 需要严格逻辑链的任务（如数学证明） 性能本质 专精于逻辑密度高的任务 擅长多样性高的任务 强弱判断 并非全面更强，仅在其训练目标领域显著优于通用模型 通用场景更灵活，但专项任务需依赖提示语补偿能力

筛选、去重，所撰写代码 运行后完成数据爬虫任务， 所获取数据准确，少量数 据有所遗漏。 提示词 测试结果受到数据样本、测试环境、AI抽卡、提示词模板等因素影响，仅供参考，无法作为决策制定、质量评估或产品验证的最终依据。 爬虫数据采集  目前DeepSeek R1、Open AI o3mini、Kimi k1.5支持联网查询网址，Claude 3.5 sonnet暂不支持；  四个模型均能根 响，仅供参考，无法作为决策制定、质量评估或产品验证的最终依据。 文件数据读取 1、读取文件； 2、根据指定内容整理成表格。 任务 Open AI o3mini 暂不支持附件上传，响应速度 快，能够快速读取粘贴数据， 输出结果格式工整、简洁。 DeepSeek R1 能够详细全面地提取文件中的 数据，并整理成可视化数据表 格，逻辑性强、指标清晰。 所上传的“2025春运数据（1月14-2月8日） 制定、质量评估或产品验证的最终依据。 文件数据读取 Claude 3.5 sonnet 很好地完成了数据读取及提取 任务，没有漏数据指标，数据 逻辑性很好 Kimi k1.5 能够快速读取文件数据，并 整理成可视化数据表格，但 填入数据有所缺失。  DeepSeek R1与Claude 3.5 sonnet均能很好的完成文件数据读取任务，生成的表格逻辑性强、数据指标清晰，Claude

在AI时代，知识的获取成本趋近于零，拥有知识不再是核心竞争力。利用提示词创造知识，引领创新、明确 方向，成为社会与个人竞争力的关键。 p 选择中的再创造 面对AI提供的多种解法，人类需具备批判性思维与逻辑判断能力，通过选择最优答案，实现解决方案的创新 性再生。 p 智慧赋能的决策力 提出问题与甄别答案的能力，使人类在信息爆炸与AI辅助的时代，通过决策行为实现价值创造，成为社会发 展的持续动力。 故事创作 通用问答 专业领域问答 因果推理 知识推理 问答系统 逻辑推理 自然语言处理 文本生成与创作 建议生成 风险评估 辅助决策 概念关联 知识整合 交互能力 情感分析 文本分类 图像理解 跨模态转换 专业建议 任务分解 情感回应 上下文理解 对话能力 多轮对话 数学运算 逻辑分析 能力图谱 诗歌创作 语音识别 指令理解 方案规划 实体识别 文本生成 03 02 01 语义分析 • 语义解析 • 情感分析(评论、反馈) • 意图识别(客服对话、用户查 询) • 实体提取(人名、地点、事件) 知识推理 • 知识推理 • 逻辑问题解答(数学、常识 推 理 ) • 因果分析(事件关联性) 自然语言理解与分析 文本分类 • 文本分类 • 主题标签生成(如新闻分 类) • 垃圾内容检测 Mermaid图表 ·

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 和清华大学的 Llama-3.2V-11B-cot。 智能体为什么是“算力墙”前 AI 产品的最优解决方案？这一问题的底层逻辑包含两个方面。 1. LLM 是目前已知最好的智能体底层技术。 智能体作为学术术语由来已久，从上世纪的“符号、专家系统”【1】，到十年前风头无两的 强化学习（代表作 AlphaGo【3】），再到现在的 LLM，agent 底层技术经历了三个大的阶段。 符号系统的缺点在于过于依赖人工定义的“符号”和“逻辑”，强化学习苦于训练数据的匮 乏和“模态墙”，而 动开发）是大模型时代软件研发 的正确打开方式，让大模型帮我 们生成需求及其验收标准，业务 约束更明确了，上下文更清楚了， 在此基础上分别由不同的模型生 成产品代码和测试代码，再让它 们之间相互验证和博弈（如图 4 所示），最终交付高质量的软件。 未来，随着 AI 技术的不断成熟和创新，AI 编程工具将进一步提升智能化和可解释性，支持 更多的编程语言和平台，并通过强化学习实现自适应优化。为了全面发挥

海外独⻆兽：你怎么看追平
GPT-4
的难度和时间？
杨植麟：Benchmarking
刷到
GPT-4
⾮常简单，但是达到它的实际效果肯定有难度的，⽽且靠的不只 是资源，Google
已经验证了这⼀点。其实
GPT-4
的训练成本也没那么⾼，⼤⼏千万美元不是⼀个很吓 ⼈的数字，对我们来说是好事，并且我们已经有⽐较好的进展。 最重要的还是底层有
tech
vision
去预判
GPT- 杨植麟：现在
Midjourney
在图⽚⽣成这个单⼀任务已经做得特别好了，我来做的话会希望它能做很多 任务，同时在其中的⼀些任务也能做得很好。这其实也是
OpenAI
的思路，只是它其实没做成功。 AGI
公司应该是⼊⼝逻辑，让⽤⼾默认⽤你，此外特定⼈群会有⼀些特殊需求和对极致效果的追求，所 以市场⾥还存在
Midjourney
之类公司的机会。但是
AGI
的通⽤性⾜够强⼤时，很多⽤⼾也会转移
⸺
如果今天我把
Midjourney
今天的地位在于它通过先发优势让⻜轮跑起来了。⽐较
tricky
的是未来还会不会有这种时 间窗⼝，如果没时间窗⼝，那很可能直接被通⽤模型碾压。
海外独⻆兽：沿着⼊⼝逻辑的话，你觉得未来会有⼏个⼊⼝？
杨植麟：⾄少有两个，⼀个是有⽤的，⼀个是好玩的。 信息⼊⼝可能不存在了，因为我们搜寻信息本质上是希望端到端完成⼀个任务。智能的⼊⼝以后⼤概 率会覆盖搜索引擎这

网易数帆依托网易二十余年互联网技术积累，系列软件基础平台产品和技 术方案，成熟应用于金融、零售、制造、能源、电信、物流等多个行业领 域，在技术先进性、性能优越性、产品成熟度及安全可靠性等方面得到了 各行业客户的验证。目前已服务各领域头部客户百余家，包括工商银行、 浙商银行、银监会、人保金服、深圳证券交易所、华泰证券、名创优品、 古茗、百胜集团、温氏集团、万向集团、大华股份、宁波钢铁、一汽解放、 吉利汽车 背靠24 年互联网技术积累 成熟可靠 年 24 140 余项技术专利 140 12 亿终端用户体验支持 亿 12 100 余家行业头部客户 + 100 产品与方案均经 网易大规模内部实践验证； 标杆项目均与行业龙头企业共建。 自主可控 产品基于开源内核， 底层实现全面跨云； 基础软件实现国产兼容，推动信创。 原厂服务 原厂服务，核心技术方案不外包； 全过程服务覆盖咨询、 规划、实施、运维各环节。 安装包等、耗费人力 工具本质 人员基础要求 适用业务 研发效率和成本 对现有体系影响 应用管理平台 对比项 轻舟低代码 基于通用标准语言封装而成的 可视化开发语言 熟悉IT概念，思维逻辑清晰 大中专计算机专业即可 基于宿主语言 可满足80%业务研发需求 显著加快开发速度 为公司降低开发成本 影响较小 可灵活集成公司现有研发资产 提供一站式云原生应用管理平台 灵活管理应用及制品

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 9 使用电气规则检查进行设计验证 63 9.1 简介 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 查看和导航层次结构树。 保留当前工作表并进入层次结构中。 调用符号库编辑器以查看和修改库和符号。 浏览符号库。 注释符号。 Eeschema 简介 9 / 151 电气规则检查器（ERC），自动验证电气连接。 调用 CvPcb 为符号分配封装。 导出网表（Pcbnew，SPICE 和其他格式）。 编辑符号字段。 生成物料清单（BOM）。 调用 Pcbnew 执行 PCB 布局。 返回导入封装分配（使用 U2A，U2B）在一起。 注释顺序 选择元件编号的顺序（水平或垂直）。 注释选择 选择指定的参考格式。 4.5 电气规则检查工具 图标 启动电子规则检查（ERC）工具。 该工具执行设计验证，能够检测被遗忘的连接和不一致。 运行 ERC 后，Eeschema 会放置标记以突出显示问题。左键单击标记后显示错误说明。还可以生成错误报告文件。 Eeschema 简介 26 / 151 4

API Weblate 客户端 Weblate’s Python API Administrator docs 配置手册 Weblate 部署 升级 Weblate 备份和移动 Weblate 身份验证 访问控制 翻译项目 语言定义 持续本地化集成 翻译许可 翻译进程 检查并修正 机器翻译 附加组件 翻译记忆库 配置 配置的例子 管理命令 公告 组件列表 可选的 Weblate 模块 定制 Weblate Weblate 中， 翻译组织成为项目和组件。每个项目可以包含几个组件，并 且组件包含各个语言的翻译。组件相应于一个翻译文件（例如 GNU gettext 或 安卓字符串资源）。项目帮助您将组件组织为逻辑的组（例如，将一个应用中 使用的所有翻译分组）。 默认情况下，每个项目内都有对跨组件传播的公共字符串的翻译。这减轻了重 复和多版本翻译的负担。但假如翻译应当有所不同，可以使用 允许同步翻译 通过 组件配置 程中被详 细讨论，因它的大多数选项都可以应用于任何工作流。请参考有关如何管理对 翻译的访问的相关文档。 在以下各章中，任何用户 都是指有权访问翻译的用户。如果项目是公共项 目，则可以是任何经过身份验证的用户，也可以是具有项目 Translate 权限的 用户。 翻译状态 每个翻译的字符串可以处于以下状态之一： 未翻译 翻译是空的，取决于文件格式，翻译是否可能存储在文件中。 需要编辑

API Weblate 客户端 Weblate’s Python API Administrator docs 配置手册 Weblate 部署 升级 Weblate 备份和移动 Weblate 身份验证 访问控制 翻译项目 语言定义 持续本地化集成 翻译许可 翻译进程 检查并修正 机器翻译 附加组件 翻译记忆库 配置 配置的例子 管理命令 公告 组件列表 可选的 Weblate 模块 定制 Weblate Weblate 中， 翻译组织成为项目和组件。每个项目可以包含几个组件，并 且组件包含各个语言的翻译。组件相应于一个翻译文件（例如 GNU gettext 或 安卓字符串资源）。项目帮助您将组件组织为逻辑的组（例如，将一个应用中 使用的所有翻译分组）。 默认情况下，每个项目内都有对跨组件传播的公共字符串的翻译。这减轻了重 复和多版本翻译的负担。但假如翻译应当有所不同，可以使用 允许同步翻译 通过 组件配置 程中被详 细讨论，因它的大多数选项都可以应用于任何工作流。请参考有关如何管理对 翻译的访问的相关文档。 在以下各章中，任何用户 都是指有权访问翻译的用户。如果项目是公共项 目，则可以是任何经过身份验证的用户，也可以是具有项目 Translate 权限的 用户。 翻译状态 每个翻译的字符串可以处于以下状态之一： 未翻译 翻译是空的，取决于文件格式，翻译是否可能存储在文件中。 需要编辑