該報(bào)告由 DataFun 出品，涵蓋騰訊、百度等多家企業(yè)在大模型領(lǐng)域的實(shí)踐成果。通過豐富案例，從技術(shù)原理、應(yīng)用場(chǎng)景、落地挑戰(zhàn)與解決方案等維度，展現(xiàn)大模型在多領(lǐng)域的應(yīng)用現(xiàn)狀與發(fā)展?jié)摿Γ瑸樽x者提供全面深入的行業(yè)洞察。

騰訊混元大模型

RAG 技術(shù)：通過數(shù)據(jù)準(zhǔn)備和知識(shí)召回生成增強(qiáng)，解決大模型幻覺、知識(shí)更新滯后等問題，在文檔解析、切分、知識(shí)庫(kù)擴(kuò)充等方面有優(yōu)化實(shí)踐。

GraphRAG 應(yīng)用：針對(duì)角色扮演場(chǎng)景，解決 RAG 缺乏全局信息等局限，構(gòu)建知識(shí)圖譜實(shí)現(xiàn)高效檢索與推理，提升回答準(zhǔn)確性與透明性。

Agent 技術(shù)：基于目標(biāo)驅(qū)動(dòng)，結(jié)合推理與行動(dòng)，調(diào)用外部工具處理復(fù)雜任務(wù)，在騰訊云運(yùn)維平臺(tái)有成功應(yīng)用，提升用戶體驗(yàn)和工作效率。

百度大模型在研發(fā)領(lǐng)域

智能研發(fā)工具發(fā)展：智能開發(fā)工具從輔助編碼向協(xié)同工作進(jìn)化，在代碼補(bǔ)全、生成能力、理解全庫(kù)、代碼 Debug 和交互方式等方面不斷優(yōu)化。

企業(yè)落地經(jīng)驗(yàn)：通過建立心智認(rèn)知和增強(qiáng)效果信心，在 Devops 鏈路融入大模型應(yīng)用，利用 CICD 確保效果，提升工程師接受度。

開發(fā)者實(shí)踐：開發(fā)者應(yīng)與 AI 協(xié)同工作，利用大模型進(jìn)行代碼檢索、提供上下文信息、管理知識(shí)和協(xié)同分工，提高開發(fā)效率。

金融風(fēng)控領(lǐng)域大模型

大模型落地思路：構(gòu)建包含規(guī)劃、存儲(chǔ)和工具模塊的智能體系統(tǒng)，從強(qiáng)化 Tools 和 Planning、Memory 兩方面落地，提升風(fēng)控系統(tǒng)效能。

優(yōu)化案例：針對(duì) Tools 強(qiáng)化，NLP 和圖像反欺詐模型優(yōu)化減少標(biāo)注量、縮短交付時(shí)間、提升模型效果；針對(duì) Planning 和 Memory 強(qiáng)化，欺詐調(diào)查助手和數(shù)據(jù)分析助手減輕業(yè)務(wù)人員負(fù)擔(dān)。

B 站大數(shù)據(jù)智能診斷助手

背景介紹：B 站大數(shù)據(jù)平臺(tái)任務(wù)量和咨詢量大，用戶面臨任務(wù)失敗或變慢等問題，智能診斷助手旨在解決私域咨詢、診斷、時(shí)光機(jī)等問題。

原理剖析：架構(gòu)包含知識(shí)庫(kù)和用戶診斷問題兩部分，通過構(gòu)建知識(shí)庫(kù)、解決 Precision 和 Recall 問題、優(yōu)化提示詞和利用 Agent 技術(shù)提升診斷能力。

技術(shù)落地：通過企微等平臺(tái)提供咨詢和診斷服務(wù)，離線診斷和實(shí)時(shí)診斷分別處理 Spark 和 Flink 作業(yè)問題，智能小助手服務(wù)四類人群。

小愛同學(xué)應(yīng)用大模型

小愛同學(xué)概要：作為 AI 助手，支持多設(shè)備和多產(chǎn)品線，利用大模型重構(gòu)提升產(chǎn)品體驗(yàn)和用戶留存。

意圖分發(fā)：通過大模型微調(diào)，判斷用戶意圖并路由，提升中長(zhǎng)尾和多輪 query 理解，減少訓(xùn)練數(shù)據(jù)。

垂域意圖理解：采用 function calling 方式，抽象 API 定義，大模型判斷并提供參數(shù)，優(yōu)化推理耗時(shí)和指令遵循問題。

回復(fù)生成：針對(duì)大模型回復(fù)問題，通過微調(diào)使模型具備多種能力，提升回復(fù)滿足率，未來探索多模態(tài)架構(gòu)。

快手廣告領(lǐng)域大模型

廣告預(yù)估挑戰(zhàn)：快手廣告面臨跨場(chǎng)景跨媒介行為數(shù)據(jù)利用難和推薦模型缺乏外部知識(shí)等問題，大模型應(yīng)用可解決這些問題。

全域行為利用：COPE 框架通過構(gòu)建數(shù)據(jù)集和統(tǒng)一表征模型，增強(qiáng)商品特征，提升全域興趣建模，在召回、精排等環(huán)節(jié)取得業(yè)務(wù)收益。

外部知識(shí)利用：LEARN 框架采用離線訓(xùn)練加在線適配范式，將 LLM 知識(shí)遷移到推薦系統(tǒng)，在冷啟和長(zhǎng)尾場(chǎng)景效果顯著。

京東健康電商推薦

技術(shù)發(fā)展回顧：推薦系統(tǒng)結(jié)合大模型技術(shù)有傳統(tǒng) CTR 模型變大、LLM 增強(qiáng)現(xiàn)有推薦、生成式大模型端到端解決推薦三種思路，大模型可解決數(shù)據(jù)、網(wǎng)絡(luò)表達(dá)和算力等瓶頸。

健康電商挑戰(zhàn)：健康電商推薦系統(tǒng)面臨剛需和知識(shí)驅(qū)動(dòng)、標(biāo)品特性、低頻購(gòu)買等挑戰(zhàn)，需精準(zhǔn)推薦。

落地實(shí)踐：LLM4CB 解決稀疏行為用戶召回，DeepI2I 擴(kuò)展 I2I 模型處理長(zhǎng)尾場(chǎng)景，大模型 CTR 踐行 Scaling Law 提升性能。

西門子智能助理實(shí)踐

背景與方案：西門子中國(guó)利用 LLM 打造 “小禹” 聊天機(jī)器人，解決內(nèi)部信息分散等問題，采用 RAG 模型，優(yōu)化切片、集成多模態(tài)數(shù)據(jù)提升回答準(zhǔn)確性。

生態(tài)系統(tǒng)與應(yīng)用：大禹生態(tài)系統(tǒng)包含數(shù)據(jù)集成、AI 層和八大產(chǎn)品線，“小禹” 在銷售、IT 服務(wù)、產(chǎn)品研發(fā)等領(lǐng)域有廣泛應(yīng)用，提升工作效率。

新時(shí)代范式：AI 落地需規(guī)避陷阱，考慮 ROI，注重技術(shù)與商業(yè)、人才組織聯(lián)動(dòng)轉(zhuǎn)型，推動(dòng)技術(shù)融入業(yè)務(wù)。