Вовед

Малите дестилирани модели на Deepseek-R1 се прилагодени со употреба на податоци за ланец на размислување генерирани од Deepseek-R1, обележани со...Ознаки, наследувајќи ги способностите за расудување на R1. Овие пакети со фино прилагодени податоци експлицитно вклучуваат процеси на расудување, како што се распаѓање на проблемот и средно одземања. Учењето на засилување ги усогласи моделите на однесување на дестилираниот модел со чекорите за расудување генерирани од Р1. Овој механизам за дестилација им овозможува на малите модели да ја одржуваат компјутерската ефикасност додека добиваат сложени способности за расудување во близина на оние на поголемите модели, што е со значителна вредност на примената во сценарија ограничени на ресурси. На пример, верзијата 14B постигнува 92% од завршувањето на кодот на оригиналниот модел DeepSeek-R1. Оваа статија го воведува моделот Deepseek-R1 дестилиран и неговите основни апликации во компјутерите во индустрискиот раб, сумирани во следниве четири насоки, заедно со специфични случаи на имплементација:

Предвидливо одржување на опремата

Техничка имплементација

Фузија на сензори:

Интегрирајте ги вибрациите, температурата и тековните податоци од PLC преку протоколот Modbus (стапка на земање мостри 1 kHz).

Екстракција на карактеристики:

Извршете го работ на импулсот на etsетсон Орин NX за да извлечете 128-димензионални карактеристики на временски серии.

Инфекција на модели:

Распоредете го моделот DeepSeek-R1-Distill-14b, внесувајќи вектори на карактеристики за да генерирате вредности за веројатност за дефект.

Динамичко прилагодување:

Работни работи за одржување на активирање кога довербата> 85%и иницирате секундарна процес на верификација кога <60%.

Релевантен случај

Шнајдер Електрик го распореди ова решение на машини за рударство, намалувајќи ги лажните позитивни стапки за 63% и трошоците за одржување за 41%.

Вклучување на DeepSeek R1 дестилиран модел на Inhand AI Edge Computer

Подобрена визуелна инспекција

Излезна архитектура

Типичен гасовод за распоредување:

камера = gige_vision_camera (500fps) # gigabit индустриска камера
рамка = камера.capture () # Снимајте слика
преработено = opencv.denoise (рамка) # деноизирање на преработување
defect_type = deepseek_r1_7b.infer (преработена) # класификација на дефекти
Ако дефект_тип! = 'Нормално':
Plc.trigger_reject () # механизам за сортирање на активирање

Метрика за перформанси

Одложување на обработката:

82 ms (Jetson Agx Orin)

Точност:

Откривањето на дефекти со инјектирање со инјектирање достигнува 98,7%.

Импликации на Deepseek R1: Победници и губитници во генеративниот ланец на вредности на АИ

Оптимизација на проток на процеси

Клучни технологии

Интеракција со природен јазик:

Операторите опишуваат аномалии на опрема преку глас (на пр., „Флуктуација на притисок на екструдер ± 0,3 MPa“).

Мултимодално расудување:

Моделот генерира предлози за оптимизација врз основа на историски податоци за опрема (на пр., Прилагодување на брзината на завртката за 2,5%).

Дигитална верификација на близнаци:

Валидација на симулација на параметар на платформата за леарница Edgex.

Ефект на спроведување

Хемиската фабрика на BASF ја усвои оваа шема, постигнувајќи 17% намалување на потрошувачката на енергија и зголемување од 9% на стапката на квалитет на производот.

Edge AI и иднината на бизнисот: Openai O1 наспроти Deepseek R1 за здравствена заштита, автомобилски и IIoT

Инстантно преземање на базата на знаење

Дизајн на архитектура

Локална база на податоци за вектор:

Користете ChromADB за чување прирачници за опрема и спецификации на процеси (димензија на вградување 768).

Хибридно пребарување:

Комбинирајте го алгоритмот BM25 + сличност на косинус за пребарување.

Генерација на резултати:

Моделот R1-7B ги сумира и рафинира резултатите од пребарувањето.

Типичен случај

Инженерите на Сименс ги решија неуспесите на инверторот преку прашања за природен јазик, намалувајќи го просечното време на обработка за 58%.

Работни предизвици и решенија

Ограничувања на меморијата:

Користена технологија за квантификација на кешот KV, намалувајќи ја употребата на меморијата на моделот 14B од 32 GB на 9 GB.

Обезбедување перформанси во реално време:

Стабилизирана единечна латентност на заклучоци до ± 15 ms преку оптимизација на графиконот CUDA.

Дрифт на моделот:

Неделни постепени ажурирања (пренесување само 2% од параметрите).

Екстремни околини:

Наменето за широки температурни опсези од -40 ° C до 85 ° C со ниво на заштита на IP67.

Заклучок

Тековните трошоци за распоредување сега се намалија на 599 $/јазол (Jetson Orin NX), при што скалабилните апликации се формираат во сектори како што се производство на 3C, автомобилско склопување и енергетска хемија. Континуираната оптимизација на технологијата за архитектура и квантификација се очекува да му овозможи на моделот 70B да работи на работните уреди до крајот на 2025 година.

Пронајдете решение за кабел ELV

Контролни кабли

За BMS, автобус, индустриски, инструментација кабел.

Кликнете овде

Структуриран систем за каблирање

Мрежа и податоци, кабел со оптички влакна, печ-кабел, модули, плоча за лице