整。 4. 请求同行或专家对内容进行审阅并提供反馈。 5. 根据反馈意见，逐步优化和完善文章的各个部分。 1. 请对当前内容进行评估，列出主要优缺点，并提出具体的改进建议。 2. 请根据前一阶段的反馈，逐步修改和完善内容，列出修改的具体步骤。 3. 请根据内容生成过程中出现的新问题，动态调整后续提示语，并解释调整原 因。 4. 请收集多方反馈，综合考虑并调整内容生成方向，列出不同来源的反馈及其 数'，指导在执行过程中如何分配计算资源。” 7. 适应提示：“在执行每个子任务后，评估其输出质量和对总体目标的 贡献，必要时调整后续任务的优先级或内容。” 思维拓展的认知理论基础 生成阶段（Generate）和探索阶段（Explore），可 以将这一理论应用到AI内容生成的过程中，设计相 应的提示语策略。 发散思维的提示语链设计 （基于“IDEA”框架） • Imagine（想象）：鼓励超越常规的思考 使用“深化”提示拓展初始想法 4. 设计“反转”提示寻找替代方案 思维拓展的提示语链设计建立在创造性认知理论的基础上。根据Geneplore模型（Generate-Explore Model）， 创造性思维包括两个主要阶段： 思维拓展的提示语链设计 聚合思维的提示语链设计 基于“FOCUS”框架 • Filter（筛选）：评估和选择最佳想法 • Optimize（优化）：改进选定的想法 • Combine（组合）：整合多个想法

整。 4. 请求同行或专家对内容进行审阅并提供反馈。 5. 根据反馈意见，逐步优化和完善文章的各个部分。 1. 请对当前内容进行评估，列出主要优缺点，并提出具体的改进建议。 2. 请根据前一阶段的反馈，逐步修改和完善内容，列出修改的具体步骤。 3. 请根据内容生成过程中出现的新问题，动态调整后续提示语，并解释调整原 因。 4. 请收集多方反馈，综合考虑并调整内容生成方向，列出不同来源的反馈及其 数'，指导在执行过程中如何分配计算资源。” 7. 适应提示：“在执行每个子任务后，评估其输出质量和对总体目标的 贡献，必要时调整后续任务的优先级或内容。” 思维拓展的认知理论基础 生成阶段（Generate）和探索阶段（Explore），可 以将这一理论应用到AI内容生成的过程中，设计相 应的提示语策略。 发散思维的提示语链设计 （基于“IDEA”框架） • Imagine（想象）：鼓励超越常规的思考 使用“深化”提示拓展初始想法 4. 设计“反转”提示寻找替代方案 思维拓展的提示语链设计建立在创造性认知理论的基础上。根据Geneplore模型（Generate-Explore Model）， 创造性思维包括两个主要阶段： 思维拓展的提示语链设计 聚合思维的提示语链设计 基于“FOCUS”框架 • Filter（筛选）：评估和选择最佳想法 • Optimize（优化）：改进选定的想法 • Combine（组合）：整合多个想法

DeepSeek：颠覆出圈，霸榜热议 2 0 2 3 年 7 月 D e e p S e e k 成 立 2 0 2 3 年 1 1 月 2 日 首个开源代码大模型 DeepSeek Coder发布 2 0 2 3 年 1 1 月 2 9 日 推出670亿参数的通用大模型 D e e p S e e k L L M ， 包 括 7 B 和67B的base及chat版本 发 布 新 一 DeepSeek是一家专注通用人工智能（AGl）的中国科技公司，主攻大模型研发与应用。 DeepSeek-R1是其最新发布并开源的推理模型，擅长处理复杂任务且可免费商用，其性能 在多个基准测试中表现出色，对齐OpenAI-O1正式版，甚至在某些任务上表现更优。  DeepSeek发展节点 • DeepSeek发布后在1月27日迅速登顶美国下载榜首；截 至1月30日，DeepSeek在168个国家位居下载榜第一名。 在多模态任务中表现出色，能够 处理复杂场景下的逻辑、公式识别及自然图像等问题，显示出其在 多模态任务中的广泛应用潜力。 训练方法：数据冷启，阶段递进 DeepSeek R1 采用了冷启动数据和多阶段训练的策略，以进一步提升模型的推理能力和可读性。  冷启动数据  多阶段训练 • 定义与作用：冷启动数据是指在模型训练初期，引入的一小部 分高质量、结构化的数据。其作用是为模型提供一个良好的起 点，

技术可以生成如下类型的内容： • 图像：如照片、原创艺术作品 • 音频：如视频游戏中的配音、音乐 • 文本：如代码、广告文案、小说 • 3D 模型：如角色、场景 目前，AIGC 技术处于早期阶段，最常见的产品形态是基于文本的，通过用 户输入来控制内容的生成。用户输入文本描述所需的内容，然后模型输出与描 述相符的内容。下图 1描述了 AI 大模型，AIGC 和 AGI 关系。 Figure 月，Llama3 发布，包括 8B 和 70B 模型。 图 2，时间线主要根据技术论文的发布日期（例如提交至 arXiv 的日期）来 确定大型语言模型（大小超过 10B）的发展历程。如果没有相应的论文，我们 将模型的日期设定为其公开发布或宣布的最早时间。我们用黄色标记那些公开 可用的模型检查点。由于空间限制，我们只包括那些公开报道评估结果的大型 语言模型。 Figure 2: 各个大型语言模型发布时间线 闭源：由一个小团队开发的闭源 AI，专注于生成创意和艺术图像。 2.3 AI 视频工具 Figure 5: AI 视频工具 2.3.1 Sora (OpenAI 公司) 内测：由 OpenAI 开发，目前处于内部测试阶段的项目。 8 2.3.2 Runway 闭源：一个闭源的创意工具，支持通过 AI 进行视频编辑和生成。 2.3.3 Pika 闭源的图像编辑工具，专注于简化图像处理流程。 2.3.4 腾讯智影

GI)的中国科技公司，主攻大模型研发与应用。 • DeepSeek-R1是其开源的推理模型，擅长处理复杂任务且可免费商用。性能对齐OpenAI-o1正 式版。 • DeepSeek-R1在后训练阶段大规模使用了强化学习技术，在仅有极少标注数据的情况下，极大 提升了模型推理能力。在数学、代码、自然语言推理等任务上，性能比肩OpenAl-o1正式版。 (Pass@1) 场景1：1小时内写完一个1万字的项目书 是否可用DeepSeek（深度求索）辅助处理？ 可以，但需分阶段“榨干AI效率”，核心策略：框架复制+模块填充+数据嫁接。 分步解决方案： 第一阶段：5分钟——用AI暴力生成框架（目标：3000字） 场景1：1小时内写完一个1万字的项目书 第二阶段：20分钟——用AI批量填充模块（目标：6000字） 针对每个小节单独提问，例如： “写一段‘2.1 用表格展示。” p 模板复制：对同类章节（如3.1/3.2/3.3）使用相同指令模板，仅替换关键词。 p 强制格式：要求AI输出带编号小标题、分点、表格的内容，直接粘贴后即显“专业感”。 第三阶段：20分钟——用AI补全软性内容（目标：1000字） 填充“虚但必需”的部分： p 政策背书： “生成5条2023年国家层面支持智能物流园区的政策原文（带发文号），并解读对本案的指导意义。”

年底大模型应用 ChatGPT 发布后，点燃了世界范 围内对于大模型技术及其应用的关注和热情。2023 年， 国内外各大厂商均投身于大模型的浪潮当中，涌现了诸多 知名的大模型及应用，它们结合了文本、图片、视频、音 频多种介质，在文本生成、图片生成、AI 编程等方向均 有出色的表现。 GitHub Copilot 16 / 32 大模型应用现状：知名大模型 在全球范围内，已经发布了多款知名大模型，这些大模 AI 正经历前所未有的快速普及， 而开发者们正积极将 AI 作为自己的生 产力工具，随着众多 AI 编程工具的普 及，开发者们使用 AI 辅助工作已经逐 渐司空见惯。 分析公司 O’Reilly 日前发布一份 《2023 Generative AI in the Enterprise》报告， 报告中指出， 。 图源：https://www.oreilly.com/radar/generativ 的工具和平台：MaaS 平台 Gitee AI 是开源中国旗下的 MaaS 平台，提供模型、数据集，以及应用托管能力，同时接入了丰富的国产算力平台，为开发者 提供了更高效、实惠的微调方案，降低使用门槛，目前已进入内测阶段。 28 / 32 LLM 的工具和平台：开发工具 比较有代表性的 LLM 开发工具有： ：帮助用户极致优化 给大模型的提示词（prompt），使得对大语 言模型提问时，可以获得更理想的输出。

2019·11·16绝赞招聘中 TVM 在平头哥 • 工具链产品 平头哥芯片平台发布的配套软件中， TVM 是工具链产品的重要组成部分： 负责将预训练好的 caffe 或者 tensorflow 的模型，转换到 LLVM IR，最后生成可以在无剑 SoC 平台上 执行的二进制。绝赞招聘中 为何添加 caffe 前端？ 客户需求 评估阶段：客户用于评估芯片的网络，caffe 模型占很大比重。 竞品已支持

DeepSeek-R1 探索出RL方 法，且公开技术 • 诞生推理型Scaling Law DeepSeek颠覆式创新——技术创新 29政企、创业者必读 技术上实现对美国的赶超 掌握通向AI下一阶段的方法论 DeepSeek颠覆式创新——技术创新  美国人仍在遵循预训练Scaling law范式，走堆显卡路线，如 “星际之门”计划  中国DeepSeek-R1的创新突破，诞生推理型Scaling DeepSeek+场景+智能体+知识库 66政企、创业者必读 67 企业应用AI的经验总结政企、创业者必读 建立AI信仰、培养AI素养 才能真正拥抱AI时代 68政企、创业者必读 个人AI能力的五个阶段 只会与大模型进行聊天（纳米AI） 能打造个人专业知识库，具备知识收集和整理能力（纳米AI知识库） 能使用常见的AI工具，能使用别人打造的智能体（纳米AI工具） 能搭建简单的智能体，能打造自己的工具和数字助手（纳米AI智能体） 70政企、创业者必读 企业应用智能体的九层能力 阶段1-4——初级能力 阶段2 企业私有化部署DeepSeek 阶段3 企业构建专业知识库，DS变成专业大模型 阶段4 利用纳米AI搜索免费Agnet平台，企业可搭建数字员工等AI工具 阶段1 使用DeepSeek公有云服务 71政企、创业者必读 阶段5 引入专用知识库管理，本地部署，成为知识和情报中枢 阶段6 引入带有强大工作流能力的Agent框架，把复杂的流程自动化

主要亮点在于出色的数学和逻辑推理能力，区别于一般的通 用 AI 模型。其训练方式结合了强化学习（RL）与监督微调（SFT），创造 了一种高效训练，高推理能力 AI 模型的方法。 整个训练过程分为核心两阶段，第一步训练基于 DeepSeek-V3 论文中的基 础模型（而非最终版本），并经历了 SFT 和基于纯强化学习调优 + 通用性 教程作者：郭震，工作 8 年目前美国 AI 博士在读，公众号：郭震 DeepSeek-R1-Zero R1-Zero 能生成高质量的推理数据，包括大量长链式思维（Chain-of-Thought, CoT）示例，用于支持后续的 SFT 阶段，如图7所示。更加详细介绍参考3.2节。 3.1.2 核心创新 2：通用强化学习 第一阶段 R1-Zero 虽然展现出惊人的推理能力提升，但是也出现了回复时 语言混合，非推理任务回复效果差的问题，为了解决这些问题，DeepSeek 提出通用强化学习训练框架。 活动 通用任务上的表现。更加详细介绍参考3.3节。 3.2 含 R1-Zero 的中间推理模型训练过程 中间模型占据主要训练精力的阶段，实际上完全通过推理导向的强化学习 直接训练而成，完全跳过了监督微调（SFT），如下图8所示，只在强化学习 的冷启动阶段使用了 SFT。 图 8: Interim reasoning model 训练方法 大规模推理导向的强化学习训练，必不可少的就是推理数据，手动标注就