今天分享的内容是：2025 年的 DeepSeek 大模型以及关于它的企业应用实践报告（主要是企业篇），该报告来自厦门大学。
报告共计：147页
《2025 年 DeepSeek 大模型及其企业应用实践报告》详细地阐述了大模型技术的发展历程、核心的能力以及企业级的应用路径，着重对以 DeepSeek 作为代表的国产大模型在垂直领域所进行的创新实践进行了分析。报告表明，大模型凭借海量的参数、多模态的理解以及推理能力，正在对企业智能化转型的技术底座进行重构。
技术演进与核心能力
大模型以深度学习作为基础，经历了从开始萌芽到迅速爆发的快速迭代过程。参数规模由 BERT 的 3 亿逐渐增长到了 GPT - 4 的 1.8 万亿，训练数据量成功突破了千亿级。它的核心能力呈现出金字塔状的结构：最底层是文字的理解以及认知学习，中间层是逻辑推理、编程等更进阶的能力，最顶层涉及到情感识别、跨领域迁移等高阶智能。DeepSeek-R1 在数学推理领域的表现较为突出。它的性能与 GPT-4o 较为接近。同时，它的训练成本降低了 95%。这展现了国产模型的技术突破。
企业应用场景与价值
大模型在企业场景中展现出多元化价值：
客户服务方面，借助自动化问答以及多渠道支持，能够降低人力成本。例如，电商平台的退款处理效率提升了 80%。
个性化推荐方面，依据用户的行为数据，能够实现商品和内容的精准推送，某视频平台的推荐点击率提升了 35%。
医疗健康方面，在辅助诊断与健康管理领域，某医院单切片的 AI 诊断时间由 15 分钟缩短到了数秒。
内容创作方面，能够自动生成营销文案以及视频脚本。某车企借助 AI 生成广告素材，使得制作周期降低了 70%。
落地方案与技术架构
企业部署大模型要遵循“四维认知”框架，这个框架包括问题诊断、能力评估、焦点确认以及行动计划。在技术路径方面，本地知识库（RAG）与模型微调成为了主流的选择。RAG是通过检索增强生成的方式，将企业的私有数据结合起来，从而提升回答的准确性。而微调则是针对垂直场景来优化模型的参数，例如能够将金融合同审核的准确率提升至 92%。部署方式具有灵活多样的特点。云端适合用于有弹性需求的情况。本地部署能够保障数据的安全。混合架构既可以兼顾效率，又能够保护隐私。
智能体与AIGC的协同创新
智能体作为大模型的高阶应用形态，能够自主地规划任务流程。像 OpenAI 的 Operator 会模拟人类操作界面，以此来完成复杂的任务；DeepSeek 的智能客服 Agent 则可以实现 7×24 小时的无人值守。AIGC 技术与大模型进行深度融合，在文本生成、图像创作、视频制作等领域释放出了生产力。DeepSeek+即梦 AI 生成了教师节海报，此海报结合了厦门大学的元素，达成了文化与技术的双重创新。
未来趋势与挑战
报告预测，大模型将会呈现出以下三大趋势：其一，多模态融合会推动交互进行升级；其二，轻量化模型能够降低部署的门槛；其三，端侧智能会加速本地化应用。然而，企业依然需要去应对诸如数据治理、算力成本、模型幻觉等方面的挑战。比如，某制造业企业借助国产化算力底座，成功地将模型推理成本降低了 60%，并且还确保了数据主权。
总结
大模型开始从技术验证阶段转向产业深耕领域。DeepSeek 等国产方案在性能和成本方面取得了突破。未来，企业需要依据自身的场景情况，借助“模型+工具+服务”这种组合方式，来达成智能化转型的可持续发展。报告着重指出，技术的落地要聚焦于业务的痛点，以数据作为驱动力量，构建起“感知-决策-执行”的闭环能力，最终实现降低成本、提高效率以及实现创新突破这双重目标。
以下为报告节选内容
