今年以来，人工智能 (AI) 正在进入从算力投入到云服务消耗再到商业化收入，最终回到算力再投入的良性循环，而 AI 应用的起量正是推动这一飞轮效应的关键。7 月 31 日，国务院常务会议审议通过了《关于深入实施 “人工智能 +” 行动的意见》，提出要深入实施 “人工智能 +” 行动，大力推进人工智能规模化商业化应用，充分发挥我国产业体系完备、市场规模大、应用场景丰富等优势，推动人工智能在经济社会发

8 月 18 日，A 股科技板块强势上扬，截至上午 11 点 30 分，代表 AI 全产业链的人工智能指数大涨 4.78%，聚焦 AI 应用端的软件服务指数劲升 5.63%，作为算力硬核支撑的通信设备指数亦攀升 5.87%。成分股方面，信息服务龙头指南针实现 20cm 涨停，通信设备核心企业中兴通讯实现 10% 涨停。

2025商业热点全景扫描：新质生产力引领变革 新零售与县域消费双线爆发。

可以想象一下，最贴近生活的例子，比如早高峰开车或者走路时手拎两个包，不可拿手机的时候，朋友发微信问你到哪了，你不用手忙脚乱，直接说豆包，打开微信，帮我回复正在路上啦，大概晚10分钟，它就会自动打开微信完成发送。打开微博，有意思的是罗永浩的点评，他说技术革命是谁都拦不住的，字节迈出这第一步非常了不起，将来的人们会记住这历史性的一天。华为有自己的小艺助手和鸿蒙生态，苹果的iOS对第三方权限管控到了极致

有小伙伴觉得 “数据越多越好”，结果塞了上千条杂乱的对话，有产品介绍、有闲聊、还有错别字，调完模型直接 “失忆”—— 问它产品参数，它要么答非所问，要么把 A 产品的功能安到 B 产品上。答：支持 3-4 级阵风，暴雨天气建议搭配防水地布使用，底部防潮垫厚度 5mm”，别掺无关的内容，模型才能 “学明白”，对吧？之前有朋友调模型时，把学习率拉到 1e-3，结果训了 5 个 epoch，模型直接 “

之前做过一篇文章，里面是一些DeepSeek的事件路线图。有些伙伴可能会有疑惑，这样的思维导图| 时间线 是如何生成的呢？

毕竟模型是 “看指令办事” 的，你把规矩说死，它就不会乱加戏。这真怪不得平台，每个 API 都有明确的 QPS（每秒请求数）限制，比如 OpenAI 的 gpt-3.5-turbo 免费版 QPS 通常是 3，你硬要超，不被拦才怪。这些坑我见过太多人踩，小索奇认为，API 调用可不是 “复制代码就完事” 的体力活，里面藏着不少实战细节，今天就把最关键的避坑点说透。比如你让模型返回 JSON 格式的

另外--n-gpu-layers参数也很关键，设成 - 1 代表把所有层都放 GPU，设成 0 就是纯 CPU，新手要是漏了这个参数，默认可能只放部分层到 GPU，速度自然上不来。但无论选哪种，第一步的环境配置都是绕不开的坎，也是最容易踩坑的地方。很多刚接触 AI 大模型实战的朋友，好不容易把 Llama 3 这类开源模型微调完，却卡在了本地部署这一步 —— 要么环境搭到一半报错，要么部署后推理慢

对了，它还有浏览器插件，装在 Chrome 或者 Edge 上，在 Word、Google Docs 里都能直接用 —— 比如在文档里选中一段文字，右键点 “QuillBot Rewrite”，就能直接调出工具，不用来回切换网页，这对经常写东西的人来说太友好了。不过要注意，插件和官网是同步的，免费版的字数限制也一样，要是想解锁更多功能，得在官网登录账号升级。你要是试过之后，觉得它的重写风格不够多，

其实很简单，跑一段 “测试代码” 就行。大模型部署的核心是 “先跑通再优化”，不用一开始就追求 “最快速度”“最好效果”，先让模型在自己的电脑上跑起来，再慢慢调参数、换模型，这样学起来更有成就感。比如下载了几个 G 的模型文件，运行时要么报 “CUDA out of memory”（显存不足），要么卡在加载界面半天没反应，甚至装环境时还把 Python 版本搞乱 —— 其实大模型本地部署没那么复杂