CoT链式思维的出现将大模型分为了两类：“概率预测（快速反应）”模型和“链式推理（慢速思考）”模型。 前者适合快速反馈，处理即时任务；后者通过推理解决复杂问题。了解它们的差异有助于根据任务需求选择合 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 内容深度 通过多步引导，实现更深入的内容 探讨 控制每个步骤的输出深度，避免冗余 创意激发 多角度提示激发AI的创造性思维 在创意和连贯之间找到平衡 质量控制 多次迭代提高内容质量 需要更多的实践和计算资源 灵活调整 可根据中奖结果随时调整后续提示 实时调整需要较高的判断和决策能力 提示语链的优势与挑战 提示语链的设计原则 01 目标明确性 02 逻辑连贯性 03 渐进复杂性 04 （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 • Unify（统一）：创建一致的叙述或解决方案 • Synthesize（综合）：形成最终结论

CoT链式思维的出现将大模型分为了两类：“概率预测（快速反应）”模型和“链式推理（慢速思考）”模型。 前者适合快速反馈，处理即时任务；后者通过推理解决复杂问题。了解它们的差异有助于根据任务需求选择合 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 内容深度 通过多步引导，实现更深入的内容 探讨 控制每个步骤的输出深度，避免冗余 创意激发 多角度提示激发AI的创造性思维 在创意和连贯之间找到平衡 质量控制 多次迭代提高内容质量 需要更多的实践和计算资源 灵活调整 可根据中奖结果随时调整后续提示 实时调整需要较高的判断和决策能力 提示语链的优势与挑战 提示语链的设计原则 01 目标明确性 02 逻辑连贯性 03 渐进复杂性 04 （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 • Unify（统一）：创建一致的叙述或解决方案 • Synthesize（综合）：形成最终结论

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。 1.4 开放合作、共治共享。在全球范围推动人工智能安全治理国际合作， 共享最佳实践，提倡建立开放性平台，通过跨学科、跨领域、跨地区、跨国界 的对话和合作，推动形成具有广泛共识的全球人工智能治理体系。 2. 人工智能安全治理框架构成 基于风险管理理念，本框架针对不同类型的人工智能安全风险，从技术、 及应用特点，明确人工智能训练、标注、使用、输出等各环节的数据安全和个 人信息保护要求。 5.4 构建负责任的人工智能研发应用体系。研究提出“以人为本、智能 向善”在人工智能研发应用中的具体操作指南和最佳实践，持续推进人工智能 设计、研发、应用的价值观、伦理观对齐。探索适应人工智能时代的版权保护 和开发利用制度，持续推进高质量基础语料库和数据集建设，为人工智能安全 发展提供优质营养供给。制定人工智能伦理审查准则、规范和指南，完善伦理 研究成立人工智能安全治理联盟，增强发展中国家在全球人工智能治理中的代 表性和发言权。鼓励人工智能企业、机构开展跨国交流合作，分享最佳操作实 践，共同制定人工智能安全国际标准。 6. 人工智能安全开发应用指引 6.1 模型算法研发者安全开发指引 （a）研发者应在需求分析、项目立项、模型设计开发、训练数据选用等 关键环节，切实践行“以人为本、智能向善”理念宗旨，遵循科技伦理规范，采 取开展内部研讨、组织专家评议、科技伦理审查、听取公众意见、与潜在目标

DeepSeek出现之前的十大预判 之三 模型越做越专  除了少数科技巨头，大多数公司都专注于做专业大模型  MoE架构盛行，本质是多个专家模型组成一个大模型  Deepmind的Alpha系列产品是这一趋势的最佳诠释 16政企、创业者必读 DeepSeek出现之前的十大预判 之四 模型越做越小 17  大模型进入「轻量化」时代，上车上终端，蒸馏小模型  先做得更大，然后探索能做多小政企、创业者必读 算力见顶，变成少数巨头游戏 预训练大模型 推理大模型 预训练大模型难以通往AGI之路  推理模型如R1——通过逻辑链条推导答案， 分解规划，自我反思  预训练范式像是记忆和模仿，强化学习范 式更像探索实践  记住很多东西只是基础，真正有价值的是 融会贯通 R1找到了人类通往AGI的方向 DeepSeek颠覆式创新——技术创新 27 DeepSeek-R1和GPT-4o不是同一个物种政企、创业者必读 工具：已经有全套工具 走专业化大模型 之路，大模型落 地门槛大幅降低 从原子弹变成 「茶叶蛋」 52政企、创业者必读 基于DeepSeek是打造专业大模型、 垂直大模型、场景大模型的最佳选择 DeepSeek开源，可本地部署，能力强，免费 53政企、创业者必读 利用DeepSeek打造专业模型 不用卷算力、卷数据、卷参数  可用本地算力（自有机房或一体机）  接入企业内部专业数据，无需互联网全量数据

逻辑推理 对话逻辑连贯性强； 伦理安全性高；文档分析能力突出 中文支持较弱； 闭源且 API 访问受限 百度 文心一言 闭源大语言模型 多语言处理、复杂的语 言理解和文本生成 中文场景优化最佳； 多模态搜索整合；本土行业适配性强 国际竞争力不足； 上下文窗口较小 与国内外顶尖同类产品比较，DeepSeek践行强化逻辑推理（R1）与长文本效率（V3）的差异化技术路线，其在性能和 DeepSeek计划探索如何利用长推理链 来增强在这些任务的表现。 优化提示工程 目前模型对提示较为敏感，少样本提示会持续降 低其性能。因此，建议用户使用零样本设置，直 接描述问题并指定输出格式，以获得最佳效果。 软件工程任务 DeepSeek-R1 在软件工程基准测试中的表现未能 显著超越 DeepSeek-V3。未来版本将通过在软件 工程数据上实施拒绝采样或在强化学习过程中引入 异步评估来提高效率。

与AI共生发展的学术与实践模式。 团队愿景 • 李默非（清华大学人工智能学院拟录博士生）：人机共生之基座大模型研究研发 • 何静（清华博士后、北航助理教授）：人机共生之快生引擎研究研发 • 尤可可（清华博士后、北石化助理教授）：人机共生之AIGC短视频 • 安梦瑶（清华大学博士后）：人机共生之AI诊疗研究 • 陶炜（清华大学博士生）：人机共生之AI实时增强技术的探索与实践 • 胡晓李（清华大学博士后）：人机共生之游戏设计

致内容 趋于一致，而非收敛性提示语和多样化设计能突破逻辑循环。 结合自适应反馈和递进式提示链，可推动智能体生成新内容， 避免知识循环，拓宽智能体的生成空间，为人机共生系统中的 深层交互与创新实践提供新路径。 结合自适应反馈和递进式提示链 让AI生成优质内容 p 当AI面对收敛性高的提示词时，生成内容趋于一致，主要依赖已有知识的重复和组合。提示词的收敛性和对话轮次共 同影响生成内容的