识别通用模式，提高提示语可复用性 设计灵活、可扩展的提示语模板 创建适应不同场景的元提示语 批判性思考 客观评估AI输出，识别潜在偏见和错误 设计反事实提示语，测试AI理解深度 构建验证机制，确保AI输出的可靠性 创新思维 探索非常规的提示语方法 结合最新AI研究成果，拓展应用边界 设计实验性提示语，推动AI能力的进化 伦理意识 在提示语中嵌入伦理考量 设计公平、包容的AI交互模式 识别通用模式，提高提示语可复用性 设计灵活、可扩展的提示语模板 创建适应不同场景的元提示语 批判性思考 客观评估AI输出，识别潜在偏见和错误 设计反事实提示语，测试AI理解深度 构建验证机制，确保AI输出的可靠性 创新思维 探索非常规的提示语方法 结合最新AI研究成果，拓展应用边界 设计实验性提示语，推动AI能力的进化 伦理意识 在提示语中嵌入伦理考量 设计公平、包容的AI交互模式 常见陷阱与应对：新手必知的提示语设计误区 忽视伦理边界陷阱：低估AI的伦理限制 陷阱症状： ▪ 要求AI生成有争议、不道德或非法内容。 ▪ 对AI的拒绝或警告感到困惑或不满。 ▪ 尝试绕过AI的安全机制。 ▪ 忽视AI输出可能带来的伦理影响。 应对策略： ▪ 了解界限：熟悉AI系统的基本伦理准则和限制。 ▪ 合法合规：确保你的请求符合法律和道德标准。 ▪ 伦理指南：在提示语中明确包含伦理考虑和指导原则。

识别通用模式，提高提示语可复用性 设计灵活、可扩展的提示语模板 创建适应不同场景的元提示语 批判性思考 客观评估AI输出，识别潜在偏见和错误 设计反事实提示语，测试AI理解深度 构建验证机制，确保AI输出的可靠性 创新思维 探索非常规的提示语方法 结合最新AI研究成果，拓展应用边界 设计实验性提示语，推动AI能力的进化 伦理意识 在提示语中嵌入伦理考量 设计公平、包容的AI交互模式 识别通用模式，提高提示语可复用性 设计灵活、可扩展的提示语模板 创建适应不同场景的元提示语 批判性思考 客观评估AI输出，识别潜在偏见和错误 设计反事实提示语，测试AI理解深度 构建验证机制，确保AI输出的可靠性 创新思维 探索非常规的提示语方法 结合最新AI研究成果，拓展应用边界 设计实验性提示语，推动AI能力的进化 伦理意识 在提示语中嵌入伦理考量 设计公平、包容的AI交互模式 常见陷阱与应对：新手必知的提示语设计误区 忽视伦理边界陷阱：低估AI的伦理限制 陷阱症状： ▪ 要求AI生成有争议、不道德或非法内容。 ▪ 对AI的拒绝或警告感到困惑或不满。 ▪ 尝试绕过AI的安全机制。 ▪ 忽视AI输出可能带来的伦理影响。 应对策略： ▪ 了解界限：熟悉AI系统的基本伦理准则和限制。 ▪ 合法合规：确保你的请求符合法律和道德标准。 ▪ 伦理指南：在提示语中明确包含伦理考虑和指导原则。

人工智能安全治理原则 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 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。 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。 在不良内容，在模型安全防护 机制不完善的情况下，有可能输出违法有害内容。 （b）混淆事实、误导用户、绕过鉴权的风险。人工智能系统及输出内容 等未经标识，导致用户难以识别交互对象及生成内容来源是否为人工智能系统， 难以鉴别生成内容的真实性，影响用户判断，导致误解。同时，人工智能生成 图片、音频、视频等高仿真内容，可能绕过现有人脸识别、语音识别等身份认 证机制，导致认证鉴权失效。 （c）

Chat 和阿里自家的百炼平台中，极大促进了全球开发者的交流和协 作，形成了国际化开源生态。 北京智源研究院和上海人工智能实验室等研究机构，通过与企业和高校合作及开源平台的建 设，建立了更完善的协作机制，从而在开源模型 (如 InternLM) 和数据集 (如 Infinity-MM) 领 域贡献了大量有影响力的基础工作和资源。 2024 年，中国开源社区涌现出众多高质量的自发研究成果。其中，MAP 则作为中国模型在国际开源社区的 2024 年首秀，一经发 布便获得了广泛关注，为中国模型在全球开源生态中赢得了更多认可。 平衡发展与合规创新 中国在推动人工智能技术发展的同时，也在监管层面努力建立了完善、透明的治理机制。这 种监管创新为开源模型的发展提供了稳定的政策环境，同时确保技术应用符合社会价值导向。比 如 《人工智能示范法 2.0（专家建议稿）》对于免费且已开源方式提供人工智能研发的个人和 组织给予减 模型在训练过程中被植入了特定的样本或算法，以避免讨论特定 53 / 111 的人名。虽然后续的一系列测试表明，这种限制似乎只存在于 ChatGPT 产品中，通过 OpenAI 对外提供的模型接口并不会触发这样的屏蔽机制。 OpenAI 在随后周二（12 月 3 日）立即确认“David Mayer”这个名字已经被内部隐私工 具标记，其在一份声明中说：“可能有些情况下，ChatGPT 不提供关于人们的某些信息，以保

李彦宏称：“无论是哪家公司，都不可能靠突击几个月就能做出这样的大语 言模型。深度学习、自然语言处理，需要多年的坚持和积累，没法速成。” 长度是 Llama 1 的 2 倍，并采用了分组查询注意力机制。具体来说，Llama 2 预训练模型是在 2 万亿的 token 上训练的，微调 Chat 模型是在 100 万人类标 记数据上训练的。 7 / 87 1 1 开源开发者事件回顾 Auto-GPT ChatGPT 开源替代品 开源和基于 API 的分发之间的摩擦是生成式 AI 生态中极为迫切的矛盾。 比如在从文本到图像领域，Stable Diffusion 的发布清楚地表明开源是基础 模型的可行分发机制。不过在大型语言模型 (LLM) 领域却并非如此，这些 模型只能通过 API 获取。并且这些模型的开源替代品没有表现出相同水平 的性能，特别是在它们遵循人类指令的能力方面。 然而，一项意想不到的研 Twitter 公司在 GitHub 上发布了 两 个 仓 库 (main repo 、 ml repo)，其中涵盖了推荐算法在 内的许多推特源代码，包括用来控制用户在 For You 时间线上看到的推文 的机制。 文章结尾写道：将世界划分为相互竞争的开源阵营将标志着自由贸易的又一次 倒退。这也是对 “天下没有免费的午餐” 这句古老格言的可悲注脚。 锐评： 开源无国界，但是开源软件相关公司是有国界的。开源因为贸易战而沦为打击经

www.iresearch.com.cn 来源：艾瑞咨询研究院自主研究及绘制。 中国开源软件产业发展阻碍 开源是一种建立在信任和共识上的发展机制，为这种机制创 设有序、有活力的环境，是推动我国开源产业发展的关键 中国发展开源软件产业主要面临着技术、组织、产业和文化方面的一些阻碍因素，分别表现为基础技术偏薄弱、缺乏开源 基金会一类的组织、开源制度 事业的非盈利性质的法人，需要遵守《基金会管理条例规 定》，并在民政部门登记后才能开始运作。相比于企业，基金会的首要目的并非盈利，而是实现社会目的；相比于政府， 基金会是独立决策的法人，治理结构与运作机制均存在市场化特点。近年来我国基金会数量、慈善资金规模都位于稳步增 长区间，从组织性质的可行性来看，开源基金会的成立于我国现有的基金会制度并不违背，但具备良好政府关系的组织在 申请成立开源基金会的过程中可能更为顺利。 Apache软件基金会：项目成熟度模型 CNCF毕业标准1.2版本 共5条，主要强 调项目的开源 属性，代码的 可靠性 以及可 获得性 共5条，强调软 件项目的安全 性、兼容性 以 及对错误的响 应和修复机制 共5条，强调项 目的发布过程 可靠并便于获 取 共5条，强调项 目遵循Apache 开源许可证 ， 并具备可靠的 版权约定 代码 独立 共识 许可证 发布 质量 社区 共7条，强调项 目具备

杨植麟：是的，我觉得这个是⾮常好的理解。 ⽐如我们可以去看
Transformer
是怎么产⽣出来。它本质上是
Google
给这帮⼈提供了⼀个涌现的环 境。在
Transformer
出现之前，已经存在像注意⼒机制、残差⽹络、LayerNome
这样的技术，有
SGD
这些训练的基础配套，然后有
learning
rate
schedule，就是所有的东西都提前准备好了。
然后这个时候
Google
缺乏充⾜的⾼质量⻓序列数据，如何提供更多的有效数据给模型训练？ 从推理层⾯来看，在获得了⽀持超⻓上下⽂的模型后，如何让模型能服务众多⽤⼾，同样要⾯临⼀番 挑战： • ⼀是
Transformer
模型中⾃注意⼒机制的计算量会随着上下⽂⻓度的增加呈平⽅级增⻓，⽐如上下 ⽂增加
32
倍时，计算量实际会增⻓
1000
倍，这会导致⽤⼾需要等待极⻓的时间才能获得反馈；
• ⼆是⻓下上⽂推理需要的显存容量巨⼤： -100k（实测约8万字），8
倍于
OpenAI
公司的
GPT-4-32k（实测约2.5万 字）。 同时，Kimi
智能助⼿
通过创新的⽹络结构和⼯程优化，在千亿参数下实现了⽆损的⻓程注意⼒机制， 不依赖于滑动窗⼝、降采样、⼩模型等对性能损害较⼤的“捷径”⽅案。 ⽬前，Kimi
智能助⼿
已开放内测。
访问
https://www.moonshot.cn
或扫描下⽅⼆维码，即可加⼊内测计划。

图示（如文献关键词共现图）直观展示综述内容，帮助 用户更好理解和呈现研究成果。  无数据检索：以现有真实数据库作为支撑，通过关键词 检索，自动搜集相关文献并生成综述报告，目前只支持 英文检索。  低重复率：结合现有查重机制与AI技术，在内容生成阶 段引入重复检测与优化策略，从源头上降低重复率风险， 所生成的综述普通重复率与AIGC重复率均在5%以下。  无限双语数据导入：支持中文与英文文献的导入，并且 文献数 集到的信息来创建文章大纲。  转化文献为连贯文章：可以将现有的文献资料进行分析 和整合，转化为逻辑连贯的新文章，为学者和知识工作 者提供了极大的便利。  多智能体协作对话：Co-STORM模式引入了协作对话 机制，并采用轮次管理策略，实现流畅的协作式AI学术 研究。 用户体验对比：使用步骤 PubScholar平台官网：https://pubscholar.cn/  输入关键词：进入官网后，在搜索框键入关键词进行文献检索。 现高效计算和推理。DeepSeek通过 无辅助损失的自然负载均衡和共享专 家机制，解决了专家模块工作量不平 衡的问题。 混合专家（MoE）架构 通过低秩压缩减少推理时的内存占用， 同时保持与传统多头注意力（MHA） 相当的性能。MLA在训练中减少了 内存和计算开销，在推理中降低了 KV缓存占用空间。 多头潜在注意力（MLA）机制 通过序列化预测未来多个令牌，增强 模型的上下文建模能力，并支持推测

Git 不知情时更改任何文件 内容或目录内容。 这个功能建构在 Git 底层，是构成 Git 哲学不可或缺的部分。 若你在传送过程中丢失信息或损 坏文件，Git 就能发现。 Git 用以计算校验和的机制叫做 SHA-1 散列（hash，哈希）。 这是一个由 40 个十六进制字符（0-9 和 a-f）组 成的字符串，基于 Git 中文件的内容或目录结构计算出来。 SHA-1 哈希看起来是这样： 我们先了解一下新的智能 HTTP 协议。 智能 HTTP 协议 智能 HTTP 的运行方式和 SSH 及 Git 协议类似，只是运行在标准的 HTTP/S 端口上并且可以使用各种 HTTP 验 证机制， 这意味着使用起来会比 SSH 协议简单的多，比如可以使用 HTTP 协议的用户名/密码授权，免去设置 SSH 公钥。 智能 HTTP 协议或许已经是最流行的使用 Git 的方式了，它即支持像 git:// 协议推送。 由于没有授权机制，一旦你开 放推送操作，意味着网络上知道这个项目 URL 的人都可以向项目推送数据。 不用说，极少会有人这么做。 107 优点 目前，Git 协议是 Git 使用的网络传输协议里最快的。 如果你的项目有很大的访问量，或者你的项目很庞大并且 不需要为写进行用户授权，架设 Git 守护进程来提供服务是不错的选择。 它使用与 SSH 相同的数据传输机制， 但是省去了加密和授权的开销。

Git 不知情时更改任何文件内容或目录内容。 这个功能建构在 Git 底 层，是构成 Git 哲学不可或缺的部分。 若你在传送过程中丢失信息或损坏文 件，Git 就能发现。 Git 用以计算校验和的机制叫做 SHA-1 散列（hash，哈希）。 这是一个由 40 个十六进制字符（0-9 和 a-f）组成的字符串，基于 Git 中文件的内容或目录结 构计算出来。 SHA-1 哈希看起来是这样： 我们先了解一 下新的智能 HTTP 协议。 智能 HTTP 协议 智能 HTTP 的运行方式和 SSH 及 Git 协议类似，只是运行在标准的 HTTP/S 端口上并且可以使用各种 HTTP 验证机制， 这意味着使用起来会比 SSH 协议 简单的多，比如可以使用 HTTP 协议的用户名/密码授权，免去设置 SSH 公 钥。 智能 HTTP 协议或许已经是最流行的使用 Git 的方式了，它即支持像 协议推送。 由于没有授权机制，一旦你开放推送操作，意味着网络 上知道这个项目 URL 的人都可以向项目推送数据。 不用说，极少会有人这么 做。 优点 目前，Git 协议是 Git 使用的网络传输协议里最快的。 如果你的项目有很大的 访问量，或者你的项目很庞大并且不需要为写进行用户授权，架设 Git 守护进 程来提供服务是不错的选择。 它使用与 SSH 相同的数据传输机制，但是省去 了加密和授权的开销。