使用 DeepSeek 的步骤如下： 1. 搜索 www.deepseek.com，点击“开始对话”。 2. 将装有提示词的代码发给 DeepSeek。 3. 认真阅读开场白之后，正式开始对话。 DeepSeek 的设计思路包括： 1. 将 Agent 封装成 Prompt，将 Prompt 储存在文件，保证最低成本的人人可用的同时，减轻自己的调试负担。 2. 通过提示词文件，让 DeepSeek 实现同时使用联网功能和深度思考功能。 3. 在模型默认能力的基础上优化输出质量，并通过思考减轻 AI 味，增加可读性。 4. 照猫画虎参考大模型的 temperature 设计了阈值系统，但是可能形式大于实质，之后根据反馈可能会修改。 5. 用 XML 来进行更为规范的设定，而不是用 Lisp（对我来说有难度）和 Markdown（运行下来似乎不是很稳定）。 关于 DeepSeek 的相关活动和分享： 1. 2025 年 2 月 6 日的分享中提到了关于 DP 模型的使用，包括其功能、优势、问题、审核方法、使用建议、使用场景和案例展示等。 2. 2 月 23 日的 AI 切磋大会是 DeepSeek 专场，包括深度聚焦、实战导向、全网联动等亮点，活动流程包括签到、全国联动、全国联动使用方法分享、分城市各自案例分享和自由探讨等环节。

以下为您推荐的跑团相关 AI 网站是 WaytoAGI 网站（https://www.waytoagi.com/），该网站具有以下功能： 1. 您可以在此与 AI 知识库进行对话，询问任何关于 AI 的问题。 2. 集合了精选的 AI 网站，能够按您的需求帮您找到适合的工具。 3. 提供了精选的 AI 提示词，您可以复制到 AI 对话网站使用。 4. 会将每天知识库的精华内容呈现给大家。 总之，WaytoAGI 网站和 WaytoAGI 知识库相互独立又有关联，希望能成为您学习 AI 路上的好助手。

在储能领域工作，您可以通过以下方式利用 AI 支持工作和生活： 工作方面： 优化储能系统的设计和运行：利用 AI 分析数据，优化设备参数模型搭建，提高储能系统的效率和稳定性。 物流和配送规划：借助 AI 优化储能设备的运输路线和配送计划，降低运输成本。 知识沉淀和体系文档优化：利用 AI 辅助整理和优化储能相关的技术手册、工艺问题分析等文档。 生产计划和排产：通过 AI 制定更合理的生产计划和排产方案。 生活方面： 教育学习：利用 AI 实现个性化学习，获取储能领域的专业知识。 创意启发：例如在艺术创作方面，像作画，可以将自己的构思与 AI 生成的创意相结合。 需要注意的是，在使用 AI 时要正确引导和合理运用，避免过度依赖。

以下是一些采用 GPL 许可证的智谱·AI 开源模型： 其他模型： WebGLM10B：利用百亿参数通用语言模型（GLM）提供高效、经济的网络增强型问题解答系统，旨在通过将网络搜索和检索功能集成到预训练的语言模型中，改进现实世界的应用部署。代码链接： WebGLM2B：代码链接无，模型下载： MathGLM2B：在训练数据充足的情况下，20 亿参数的 MathGLM 模型能够准确地执行多位算术运算，准确率几乎可以达到 100%，其结果显著超越最强大语言模型 GPT4 在相同测试数据上 18.84%的准确率。代码链接： MathGLM500M：代码链接无，模型下载： MathGLM100M：代码链接无，模型下载： MathGLM10M：代码链接无，模型下载： MathGLMLarge：采用 GLM 的不同变体作为骨干来训练 MathGLM，包括具有 335M 参数的 GLMlarge 和 GLM10B。此外，还使用 ChatGLM6B 和 ChatGLM26B 作为基座模型来训练 MathGLM。这些骨干模型赋予 MathGLM 基本的语言理解能力，使其能够有效理解数学应用题中包含的语言信息。模型下载： 多模态模型： CogAgent18B：基于 CogVLM17B 改进的开源视觉语言模型。CogAgent18B 拥有 110 亿视觉参数和 70 亿语言参数，支持 11201120 分辨率的图像理解，在 CogVLM 功能的基础上，具备 GUI 图像的 Agent 能力。代码链接：、始智社区 CogVLM17B：强大的开源视觉语言模型（VLM）。基于对视觉和语言信息之间融合的理解，CogVLM 可以在不牺牲任何 NLP 任务性能的情况下，实现视觉语言特征的深度融合。我们训练的 CogVLM17B 是目前多模态权威学术榜单上综合成绩第一的模型，在 14 个数据集上取得了 stateoftheart 或者第二名的成绩。代码链接无，模型下载： Visualglm6B：VisualGLM6B 是一个开源的，支持图像、中文和英文的多模态对话语言模型，语言模型基于 Chat 模型： ChatGLM6Bint4：ChatGLM6B 的 Int4 版本。最低只需 6GB 显存即可部署，最低只需 7GB 显存即可启动微调（，模型权重下载链接：魔搭社区、始智社区、启智社区 ChatGLM6Bint8：ChatGLM6B 的 Int8 版本。上下文 token 数：2K，代码链接：，模型权重下载链接：魔搭社区、始智社区、启智社区 AgentLM7B：1. 提出了一种 AgentTuning 的方法；2. 开源了包含 1866 个高质量交互、6 个多样化的真实场景任务的 Agent 数据集 AgentInstruct；3. 基于上述方法和数据集，利用 Llama2 微调了具备超强 Agent 能力的 AgentLM7B、AgentLM13B、AgentLM70B。上下文 token 数：4K，代码链接： AgentLM13B：上下文 token 数：4K，代码链接无，模型权重下载链接： AgentLM70B：上下文 token 数：8K，代码链接无，模型权重下载链接：

知识蒸馏（Knowledge Distillation）是一种将复杂模型的知识转移到简单模型中的方法。其核心思想是利用预训练好的复杂模型（教师模型）指导较小模型（学生模型）的训练，使学生模型能模仿教师模型的行为，同时保持较小规模和较高效率。 蒸馏的核心在于让学生模型学习教师模型的输出分布，而非仅仅是硬标签（ground truth）。具体而言，教师模型为输入文本生成软标签（soft labels），即概率分布，学生模型通过模仿教师模型的软标签来学习。 目前以 Ollama 上下载的模型为例，最小的有 DeepSeekR1DistillQwen1.5B，最大的有 DeepSeekR1DistillLlama70B，都是来自于 Deepseek R1 671B 的蒸馏，而非官方的 Deepseek 版本。仔细观察模型名称可以看到，Distill 代表“蒸馏”，Qwen 或者 Llama 代表使用的基础模型，一般是千问或者 Llama 。

AI 使用 GPU 而不是 CPU 主要有以下原因： 1. 强大的计算能力：GPU 在并行处理大量数据方面具有显著优势。例如，同年《Largescale Deep Unsupervised Learning using Graphics Processors》这篇论文指出，利用 GPU 比 CPU 快 70 倍，能将数周的工作压缩到几天甚至一天完成。 2. 适应深度学习需求：大型神经网络、输入的多个变量以及有效的反向传播 GPU 实现等方面，GPU 表现出色。如 MNIST 数据库能达到令人惊叹的 0.35%错误率。 3. 处理图形相关运算：GPU 原本就是为处理图像和图形相关运算工作而设计，其采用的核心技术如硬件 T&L 等，适合 AI 中的图形处理任务。 4. 分担 CPU 工作：GPU 的诞生源自对 CPU 的减负，使显卡减少对 CPU 的依赖，并进行部分原本 CPU 的工作。 5. 算力优势：算力可以直接转化为 GPU，一张显卡中的 GPU 是计算能力的关键。 6. 适应 AI 模型需求：当今所有 AI 模型都在使用大量专用芯片的 GPU 卡上运行。例如 NVIDIA A100 GPU 有 512 个“张量核心”，能大幅提高计算效率。但实际应用中，也存在一些限制，如数据传输、内存容量和优化方法等问题。

以下是为您整理的关于 Stable Diffusion 的教学资源： 基本介绍：https://waytoagi.feishu.cn/wiki/CeOvwZPwCijV79kt9jccfkRan5e 运作原理：https://waytoagi.feishu.cn/wiki/TNIRw7qsViYNVgkPaazcuaVfndc 入门视频教程： https://waytoagi.feishu.cn/wiki/O5jEwgZIRiQ10xkqGOQcKtSBnSe https://zhuanlan.zhihu.com/p/622238031 模型网站： C 站SD 模型网站：https://civitai.com/ Liblibai模型+在线 SD：https://www.liblib.ai/ huggingface：https://huggingface.co/models?pipeline_tag=texttoimage&sort=trending 吐司站：https://tusiart.com/ 推荐模型：人像摄影模型介绍：https://www.bilibili.com/video/BV1DP41167bZ 更多入门教程：

目前开源模型的 MIT 模式、Apache、GPL、BSD 模式的具体案例众多且不断更新。MIT 模式的开源模型如 TensorFlow Lite；Apache 模式的有 MXNet；GPL 模式的像 Gnuplot；BSD 模式的例如 OpenCV 等。但请注意，这只是其中的一部分，实际情况可能会有所变化。

MIT 模式：这是一种相对宽松的开源许可模式。允许使用者对软件进行修改、再发布，并且几乎没有限制，只要求在再发布时保留原版权声明和许可声明。 Apache 模式：提供了较为宽松的使用条件，允许修改和再发布代码，但要求在修改后的文件中明确注明修改信息。同时，还包含一些专利相关的条款。 GPL 模式：具有较强的传染性和约束性。如果基于 GPL 许可的代码进行修改和再发布，修改后的代码也必须以 GPL 许可发布，以保证代码的开源性和可共享性。 BSD 模式：也是一种较为宽松的许可模式，允许使用者自由地修改和再发布代码，通常只要求保留原版权声明。 总的来说，这些开源许可模式在对使用者的限制和要求上有所不同，您在选择使用开源模型时，需要根据具体需求和项目情况来确定适合的许可模式。

开源模型常见的许可模式除了 MIT 模式外，还有以下几种： 1. Apache 许可模式：允许在商业和非商业项目中自由使用、修改和分发代码，但需要保留版权声明和许可声明。 2. GPL（GNU General Public License）许可模式：具有较强的传染性，要求基于该代码的衍生作品也必须以 GPL 许可发布。 3. BSD（Berkeley Software Distribution）许可模式：允许自由使用和修改代码，并且对衍生作品的许可要求相对宽松。 需要注意的是，不同的开源许可模式在使用条件、义务和限制方面可能存在差异，在选择和使用开源模型时，应仔细阅读和理解相关的许可协议。