企业官网建设流程全解析

简介：DeepSeek与AIGC应用是北京大学多个部门联合发布的DeepSeek系列研讨讲义，面向对人工智能和自然语言处理感兴趣的研究者、行业从业者及管理者，适合希望了解大模型技术本质并推动业务智能化升级的读者。内容以DeepSeek-R1推理模型为主线，系统讲解其概念、技术原理、成本优势与开源策略，详细对比生成式模型与推理式模型的能力差异，并结合GPT-4o等主流模型，评估DeepSeek-R1在数学推理、代码生成、科研分析等任务中的表现。随后，资料结合新闻传媒、影视娱乐、教育等行业的真实案例，剖析AIGC的应用路径、行业影响及未来挑战，提出科学选择与高效使用AI工具的方法，帮助读者建立从模型认知到场景落地的完整认知框架。资源包内含1个PDF格式的完整讲义，大小14.29MB，结构清晰、内容完整，目前已有1730人学习，适合作为大模型与AIGC领域的系统入门与实践参考。

1. 先别急着聊“神器”：DeepSeek 与 AIGC 应用，大多数人卡在概念层

最近 DeepSeek 这个词热度一直很高，很多人拿它当聊天机器人玩，问几个脑筋急转弯就觉得“不过如此”。但你真正把它用到工作流里，比如让它拆解一份合同、整理技术方案、批量生成训练数据，就会发现评价完全不一样。这份内部研讨材料《DeepSeek与AIGC应用》恰恰是讲清楚这件事的——它不教你怎么“玩”AI，而是从大模型的历史定位、生成模型与推理模型的差异、AIGC 的底层工作逻辑一路讲下来，最后落到工具选择和落地场景。适合三类人：刚开始接触大模型的初学者、想给团队做 AI 选型的技术负责人，以及已经在用 AI 工具但总感觉使不上劲的内容从业者。比起网上那些“DeepSeek 保姆级教程”，这份材料更接近一次系统性的概念校准。

2. 详解 DeepSeek-R1：推理模型凭什么火，以及它到底改变了什么

2.1 大模型发展脉络里的“历史坐标”

材料里把人工智能发展历程划分成几个阶段：1950s 到 1990s 的早期探索、1990s 到 2010s 的机器学习发展、2010s 到 2022 年深度学习的爆发，以及 2023 年 GPT-4 出现后的大模型时代。这个划分很关键，因为它能帮你理解 DeepSeek-R1 为什么不是“突然冒出来”的，而是特定技术路线演进的结果。

早期的人工智能靠的是专家系统和规则引擎，靠人手工写规则，能处理的问题范围很窄。到了 1990s 到 2010s，统计机器学习登场，支持向量机、随机森林这类算法开始让机器从数据里学规律，但那时候的特征工程还是很依赖人工。2010s 之后深度学习崛起，神经网络加上 GPU 算力，让机器能直接从原始数据里学表示，图像识别、语音识别、机器翻译这些领域开始突飞猛进。

2023 年 GPT-4 是一个分水岭。它证明了“大模型 + 海量数据 + 大规模算力”这条路是走得通的，而且走得很远。但 GPT-4 之后的行业叙事几乎被“堆算力、拼资本”主导。这就是 DeepSeek-R1 出现时最特别的地方：它用远低于行业预期的成本做到了第一梯队的推理能力，而且开源。材料里说得比较客观——它打破了硅谷传统的“堆算力”路径，推动行业从“唯规模论”转向对“性价比”和“高效能”的关注。

2.2 生成模型与推理模型：两种截然不同的“思考方式”

材料里有一张表格对比 GPT-4o 和 DeepSeek-R1，这个对比非常重要。GPT-4o 是生成模型的代表，定位是通用自然语言处理：对话、翻译、内容生成、多模态信息处理。它的强项是流畅、全面、反应快，但面对复杂逻辑推理——比如数学竞赛题或者多层逻辑的谜题——准确率会明显下降。DeepSeek-R1 则是推理模型，定位是复杂推理与逻辑分析，擅长数学、编程、自然语言推理这类任务。

我实际用下来有一个很直观的感受：让 R1 做一道需要 20 步推导的数学题，它能完整展示中间的思考链路，步骤之间逻辑衔接得很严密；但如果让它写一段营销文案，它的产出反而不如生成模型来得自然。原因在于推理模型的设计初衷就是“慢思考”，它会把问题拆解成多个子问题逐一求解，而不是像生成模型那样从头到尾保持一个流畅的生成节奏。

材料里还列了推理模型的优劣势，我摘几条实际的：推理能力强、链式思维出色、擅长复杂决策任务，这是优势；响应速度慢、计算成本高、基于知识类的任务容易出错、处理简单问题时容易“过度思考”，这是劣势。这就引出一个非常实际的选型问题：你的场景是内容生成还是复杂推理。如果你要做的是客服对话、文案生成、多语言翻译，那么生成模型更合适；如果你要处理的是数学证明、代码调试、研究分析、方案推理这些高难度复杂任务，推理模型才是正确的选择。

2.3 思维链、强化学习、蒸馏：R1 的三个技术关键词

DeepSeek-R1 的工作原理，材料里归纳成三个核心机制：思维链（Chain of Thought）、强化学习（Reinforcement Learning）和蒸馏（Distillation）。

思维链很好理解，就是让模型把推理过程显式地表达出来。传统的语言模型是直接给出答案的，但思维链强迫模型先输出中间推导步骤，再给出最终结论。这个做法和人类解决复杂问题的方式非常接近——先把问题拆成小步骤，一步一步算，而不是一口吃成胖子。R1 能展示链式思考过程，正是因为它把思维链当作训练目标的一部分，而不是事后附加的说明。

强化学习在 R1 这里的角色，是让模型学会“探索”和“自我校正”。训练过程中，模型会尝试不同的解题路径，做得好的路径会被加强，做错的会被抑制。这和监督学习最大的差别在于，监督学习靠的是人工标注的标准答案，强化学习靠的是 reward 函数来判断好与坏。对数学、代码这类有明确“正确性”标准的任务，强化学习的效果非常突出。材料里也提到，R1 在某些基准测试里（比如 GPQA）准确率高于 GPT-4o，这部分基本是靠强化学习堆出来的。

蒸馏的作用则是在保住能力的前提下压缩模型体积。大模型的参数量动辄上千亿，直接部署成本很高，蒸馏就是训练一个小模型去模仿大模型的输出，把大模型的能力“迁移”到小模型上。这样在牺牲一部分精度的前提下，换来速度和成本的巨大优势。这也是 R1 能保持开源生态的一个重要原因——如果你没有足够的算力跑完整版，可以退一步用蒸馏出来的轻量版本。

2.4 DeepSeek-R1 的历史地位：低成本、开源、破垄断

材料里对 DeepSeek-R1 的历史地位用了三个关键词概括：打破垄断、价格下调、推动创新。

打破垄断指的是它证明了开源模型同样能进入第一梯队。以前提到顶级推理模型，大家默认只有 OpenAI 的 o1 系列能用，而且 API 价格不菲。DeepSeek-R1 的开源策略让学术机构、中小公司、独立开发者都能拿到第一梯队的推理能力，这在两年前是不可想象的。

价格下调是最直接的行业冲击。材料里给出的数据是，DeepSeek-R1 的 API 定价约为行业均价的 1/10。这意味着中小型企业可以把大模型能力接入自己的产品流程里而不会烧掉预算。对独立开发者来说，这意味着更低的试错成本——花几块钱就能完成一次完整的 API 调用实验，这种价格门槛在之前的推理模型上是很难做到的。

推动创新这一点，说的是行业心态的转变。当“性价比”成为关键词，资本和人才会从单纯堆算力的竞赛里分流出来，转向更高层次的模型架构创新、应用场景设计以及特定行业的深度适配。这对整个生态的健康度反而是一件好事。材料里引用了一份 2025 年 1 月发布的中文大模型基准测评报告，把生成模型和推理模型放在一起对比，可以看到 DeepSeek-R1 在复杂推理指标上已经进入第一梯队，这在过去是绝对不可能由开源模型做到的。

3. 大模型与 AIGC 的底层工作机制：从下一个字到多模态生成

3.1 自回归生成：一个词一个词“猜”出来的逻辑

很多人在用大模型的时候会产生一个错觉——模型是“理解”了你的问题之后直接检索出答案的。实际上不是。大模型的底层机制是自回归生成，简单说就是：模型根据前文的信息，逐个字地预测下一个最可能出现的字或词，每生成一个 token，就会把前面的 token 都作为输入再预测下一个，一直到满足停止条件为止。

所以模型输出的每一个字，都是基于前文条件概率分布的一次采样。这也是为什么同样的问题问两次，模型给出的答案会有些许差异——因为生成过程里引入了采样随机性。这个机制的优点是生成文本非常流畅自然，缺点是模型没有真正“推理”，只是在做概率上的最优选择。

理解这一点对实际使用很有价值。当你给出一个模糊的、信息量不足的问题，模型就只能基于它自己的训练数据去“猜”一个最可能的方向。反过来，如果你的 prompt 里包含了足够的上下文、约束条件、目标格式，那么模型的每一步生成都会更贴近你想要的答案。这不是玄学，是自回归生成机制的自然结果。

3.2 训练过程的三层关系：预训练、对齐、微调

大模型不是直接被造出来就能用的，它的训练过程大致可以分成三个阶段：预训练、对齐、微调。

预训练阶段，模型在海量无标注文本上做自监督学习，目标很简单——根据前文预测下一个词。这个阶段让模型掌握了语言的基本规律、世界的常识性知识以及跨领域的语义理解。你可以把它理解成一个读了海量书籍的人，知识面极广但还没有学会“与人打交道”。

对齐阶段，模型通过人类反馈强化学习（RLHF）来学习如何符合人类的偏好。这一阶段解决的是“如何让模型的有用性和安全性达到可用水平”的问题。简单说，就是让模型在多个候选中学会选择更符合人类期待的答案，同时尽量避免输出有害、偏见或错误的信息。这个阶段通常需要大量的人工标注反馈数据。

微调阶段则是面向特定任务或垂直场景的精调。比如你要做一个法律文书领域的 AI 助手，那就在开源基座模型的基础上，用大量法律领域的问答对做进一步的监督微调。这一步让模型的领域能力更强，回答风格会更贴合你想要的表达方式。

理解这三层关系，对你做技术选型很有帮助。很多人盲目相信“开源基座模型直接就能在生产环境里用”，其实是不现实的——一个未做对齐和微调的基座模型，输出质量会比较原始，甚至产生让用户不适的内容。真正投入生产几乎必然要对齐/微调的环节做投入，这部分成本应该纳入选型预算。

3.3 大模型能做什么训练：多模态的边界在哪

大模型与 AIGC 的关系，不能只看文本生成。材料里专门梳理了多模态的概念——文本、图片、音频、视频，这是 AIGC 能覆盖内容的四个主要模态。不同模态的数据特点不同，训练方法也不同，但它们共享一个底层逻辑：用大规模数据逼近某种内容的概率分布，然后在这个概率空间里采样生成新内容。

文本生成是大模型里最成熟的方向，因为语言本身是离散的、高信息密度的，所以也是目前质量最稳定的。图片生成这边，扩散模型是主流的生成方式，从随机噪声开始逐步去噪，直到生成一张清晰图像。音频生成则通常结合文本转语音或者歌声合成这类任务，模型的输出是一段时长可定的波形。视频生成是目前最困难的方向，因为它既要保持帧与帧之间的时间一致性，又要处理高分辨率的空间维度，还需要理解场景语义，所以现在视频模型的生成时长和分辨率还有明显限制。

对我们这些实际使用者来说，理解多模态的边界意义在于：不要对单一模型抱有不切实际的期望。DeepSeek-R1 本身是文本推理模型，不支持图像输入，你让它“看”一张图片它是做不到的。处理多模态任务时，正确的做法是自己做一个工具链的组合——比如用 OCR 模型做文本提取、用 R1 做文本分析和推理、再用生成模型做图像描述。

3.4 AIGC 能力拆解：生成、编辑、理解三个层次

材料里虽然没有用“三层能力”这个说法，但我从它的应用场景描述里总结出了 AIGC 能力的三个层次：生成、编辑、理解。

生成是 AIGC 最核心的能力——从零创造新内容，包括文章、代码、图片、音视频片段。这个层次的工具已经比较成熟，使用门槛也低，很多内容创作者已经在用大模型做初稿生成。

编辑是第二层能力，指的是在已有素材基础上做局部修改。全部生成是“无中生有”，编辑则更像是“精准重修”——改一段话、重写一段代码、把一张图的背景替换成另一种风格。这类能力对生产效率的提升往往更直接，因为大多数行业场景并不缺素材，缺的是对素材的整理和再加工。

理解是第三层，也是价值密度最高的一层。让模型从一段长文本里抽取关键信息、总结核心观点、找出逻辑矛盾、识别风险点，这些本质上不是“生成新内容”，而是“理解已有内容”。DeepSeek-R1 这类推理模型在理解层的表现尤其好，因为它会把问题拆解成若干子问题，然后逐一分析再综合。如果做一个文档分析项目，用 R1 做关键信息抽取、风险识别、逻辑校验，你会发现它的表现远好于普通生成模型。

3.5“生成”与“推理”分道扬镳：为什么工具选择决定了工作质量

以上三个能力层次引出一个实操命题：同一类任务，用不同的模型类型，结果差距可能非常大。

举个具体场景：你要做一个采访提纲。这个任务是重度推理型的，需要结合行业背景、目标嘉宾的过往言论、当前热点话题，推导出有深度、有逻辑递进关系的若干问题。用生成模型，你得到的结果通常比较泛，提问角度偏大众化；但用推理模型，它会先自己梳理出信息层级，再生成有递进关系的问题列表。这就是材料里说的“在思路清晰度要求高的场景具有明显优势”。

再比如中文表达和情感表达类任务，比如写一段母品牌宣传、写一篇情感向的公众号开头，推理模型反而容易显得“僵硬”——它的过度思考反而让表达不够自然。这时候生成模型是更稳妥的选择。

所以选型不能只看“谁的能力更强”，而是先定义清楚任务属于哪个类型：是知识密集型（信息检索、内容生成）还是推理密集型（逻辑分析、复杂决策），再确定模型类型。选对了模型，工作流顺畅；选错了，你会发现怎么调 prompt 都不对——这不是 prompt 的问题，是模型类型的问题。

4. 科学选择 AIGC 工具：参数、场景、行业三个维度的选型框架

4.1 不要迷信“参数越大越强”：先分清基座模型与专用模型

大模型技术选型时，有一个容易踩的坑——误以为参数量越大就越好用。参数数量在一定范围内的确影响模型的表征能力，但真正决定一个模型好不好的，是它在你的业务场景里的有效表现。

这里涉及“通用模型”和“行业模型”的区分。材料里也提到，大模型生态里有通用大语言模型、视频模型、多模态模型，以及针对教育、医疗、金融等垂直行业的垂类模型。通用模型的任务是“全面均衡”，行业模型在特定领域做深度优化。你要处理的如果是一个法律文书需求，用通用模型直接做，准确率大概率不如经过法律领域语料微调的专用模型，哪怕通用模型的参数规模更大。

另外一个常见的误解是“开源模型比商业模型弱”。这在早期或许符合事实，但 DeepSeek-R1 已经证明了开源推理模型可以和封闭商业模型掰手腕。开源模型真正需要你额外支付的成本，是工程化部署和能力对接的时间成本——你要自己搞定推理服务、并发扩容、数据隔离这些运维问题，而商业 API 把这些都打包好了。

4.2 工具选型的技术参数：上下文、延迟、吞吐、价格

实际落地的时候，我一般会按四个技术参数来横向对比 AIGC 工具：上下文长度、响应延迟、吞吐量和价格。

上下文长度决定了一次能塞进模型多少信息。做长文档分析、复杂代码审查这类任务，上下文窗口很重要。但现在大模型的上下文窗口普遍都在几十万 token 级别，日常使用反而是“不要超出有效注意力范围”更值得关注——给模型塞太长文本，中间段落的细节容易被忽略，这是模型的固有局限。

响应延迟是推理模型的软肋。R1 这类推理模型因为要做较长时间的思维链推导，首 token 延迟和整体响应时间都明显慢于生成模型。如果你做的是一个客服机器人，用户等待超过十秒就会明显不耐烦，那么推理模型未必适合直接面向用户的场景，更适合放在后端做异步处理的任务队列。

吞吐量衡量的是单位时间的请求处理能力。如果你只是自己偶尔用一下，这个参数无所谓；但如果做成生产系统，高并发下的吞吐瓶颈很快就会暴露。这里有一个经验：先定好你的峰值 QPS 和单次请求的平均 token 数，再去选模型框架和部署方案，而不是反过来。

价格就不用多说了，材料里反复强调 DeepSeek-R1 的 API 定价大约是行业同档位的十分之一。这个差距对中小团队来说非常关键——同样的预算，用更便宜的推理模型，意味着你可以做更多实验、跑更多场景、积累更多使用经验。

4.3 场景决定模型：教育、科研、文档分析、推理密集型任务

不同的行业场景，模型的选择逻辑完全不同。材料里专门列出了 DeepSeek-R1 的优势场景：推理密集型任务、教育、科研、知识应用和文档分析。

教育场景最看重的是“解释过程”而不只是“给答案”。R1 能把复杂的解题步骤拆开来说，让学生理解每一步的逻辑依据，这是它作为教育工具的核心价值。科研场景则重点在文献分析和实验设计辅助，长文本的理解加逻辑推导这两个能力的组合非常吃香。

文档分析是我实际体验最深的一个场景。以前做长合同审查，需要人逐条读、逐条标风险点，现在用 R1 做初筛——先让它抽取出所有关键条款、识别出和已有规定冲突的点，再由人做复核。这个流程能省掉大量机械性阅读工时。

反过来，高频对话和实时交互类场景，生成模型依然是更适合的选择。R1 的“过度思考”问题在简单问答里反而变成劣势，本来一句话能回答的事，它给了三段分析。所以材料里强调的“特定领域适配”才是选型的核心逻辑。

4.4 常见选型误区：把“最强大”当成“最适合”，把“一刀切”当成“统一标准”

选型误区里最典型的一个是：团队里所有人不管任务类型，统一用一个模型。内容岗每天做文案生成，研发岗每天做代码推理，两者对模型的要求完全不同。你让生成模型去解逻辑题，可能被一道小学数学题打败；你让推理模型去写营销文案，出来的东西干巴巴没有温度。我一般建议团队至少配置两个模型——一个生成模型负责内容类任务，一个推理模型负责逻辑类任务，中间用工作流串起来。

另一个误区是忽视模型迭代的频率。大模型领域一两个月就有一轮能力更新，可能你这个月选的模型，下个月就被另一家以更低价格追平。做选型的时候不要只盯着当前版本，要看这个模型背后的团队迭代速度、社区生态和开源程度。材料里提到的 DeepSeek-R1 是通过开源赢得生态的，你选一个闭源且迭代缓慢的模型，等于把自己的整个工作流押注在别人的开发节奏上，风险比较高。

5. 避坑与常见问题排查：大模型应用里的 5 个高频采坑点

5.1 现象：模型一本正经地输出错误内容；原因：幻觉问题；解决：增加外部校验

大模型最让新用户困惑的问题之一就是“幻觉”——模型会以一个相当自信的语气输出完全虚构的内容。这在大模型里其实是一个结构性缺陷，因为自回归生成本身是概率采样，模型有极大概率在不确定的知识边界上编造内容。

解决方式分三个层级。第一层是 prompt 层面：明确告诉模型“不确定就说不知道”，并要求给出信息来源或推理过程；第二层是工程层面：给模型配上检索增强生成（RAG）管线，让模型生成时以外部检索库的内容作为约束；第三层是人工校验层面：在高风险场景（比如合同审查、医疗建议）里，把模型输出当作初稿，必须由人做最终确认。没有哪一种方式能完全消除幻觉，但组合使用能显著降低出错率。

5.2 现象：推理模型响应很慢；原因：思维链过程拉长；解决：分层调度 + 异步处理

推理模型响应慢是它天生的代价，不是使用姿势不对。R1 会先在内部生成一段很长的思维链，然后再输出最终答案，这个过程比生成模型多花不少时间。如果你把推理模型直接挂在实时对话场景里，体验会很不好。

常见做法是分层调度：把用户请求分门别类，简单和日常的任务走生成模型快速回复，只有复杂任务才转给推理模型做深度处理。另外一个更高效的策略是，把推理任务放到异步队列后面执行——线上先给用户返回“任务已接收”，后台跑完推理再通知结果。这两种方式都能避开推理模型的延迟瓶颈，发挥它的长项。

5.3 现象：精心设计的 prompt 在模型版本升级后失效；原因：模型权重或对齐方式变化；解决：建立 prompt 回归测试

这个坑是我实际使用中最头疼的。某次升级了模型版本，之前调得很顺的 prompt 突然行为大变，输出格式和内容方向都变了。这是因为模型升级不仅是参数量变化，对齐阶段的人类偏好数据也可能变了，同一段 prompt 在旧版本和新版本里的激活模式已经不同。

解决方式很朴素但有效：把 prompt 当作代码来管理，建立一套回归测试集。准备 20~30 条覆盖典型场景的测试用例，每次模型升级后在测试集上跑一遍，对比输出质量是否符合预期。发现哪条用例退化了，再针对性改 prompt。不做这个步骤，等上线后才发现问题，那才是真正的灾难。

5.4 现象：代码做出来准确率不高；原因：任务被错误地交给了大模型；解决：识别哪些任务根本不该用大模型

大模型不是万能的，很多“做不好”的情况，不是模型能力问题，而是任务选型问题。举例来说，信息抽取这类任务，用传统的正则匹配加规则引擎，在很多固定格式的数据上表现得又快又准，却有人硬让大模型做，结果精度和性能都很尴尬。

大模型适合的是那些需要理解语义、灵活处理表达变体、进行多步推理的任务。那些格式固定、规则明确的重复劳动（比如日志中的字段提取、固定模板的数据转换、常见异常识别），应该优先用规则系统或者更轻量级的工具。能识别“哪些任务不该上大模型”的人，在大模型应用这件事上通常比什么都用模型的人效果更好，成本也更低。

5.5 现象：上下文窗口很大但模型输出不相关的内容；原因：长文本中的信息稀释；解决：主动切割 + 分段检索

很多用户以为上下文窗口越大越好，觉得把整份文档都交给模型，它就能处理所有细节。但实际经验是，上下文太长时间，模型对中间区域的注意力会自然衰减，容易导致关键信息被稀释甚至完全忽略。你要它分析 20 万字的合同，它可能只看重了开头和结尾段落，中间的核心条款反而被遗漏。

正确做法是主动做分段处理。先按章节或主题把长文档切块，再通过一定的检索方式（最简单的是关键词或向量相似度）找到和当前任务最相关的几个片段，再把这些片段作为上下文交给模型去推理。这样做既省了 token，又减少了信息稀释带来的质量下降。很多人是踩过“长文本翻车”的坑之后才意识到这一点。

6. 做一次完整的场景实验：用 DeepSeek-R1 走通一道推理型任务

6.1 实验设计定边界：用一道多步推理题，验证思考链路，而不是验证知识库

实践层面，我给你设计一个可复制的小实验：不看任何提示技巧，直接用 DeepSeek-R1 完成一道“多步逻辑推理 + 计算”题，目的是观察它的思考链路是否完整，而不是验证它的知识储备。因为知识类问题容易命中幻觉，而推理类问题能更清楚地暴露模型在步骤拆解上的能力。

我建议的题目是：某仓库里有 3 个供应商，A 每天供货 120 件，B 每天供货 80 件，C 每天供货 60 件；仓库每天出库 100 件，求第 30 天结束时仓库库存比第 1 天开始时增加多少。这类题需要你依次做拆解、计算和汇总，比较适合观察 R1 的推理过程。

6.2 一道题，看模型的思考链路

把题目输入 DeepSeek-R1，它会输出一段思考过程和最终答案。你重点关注这几层逻辑：第一步是否把“日净增 = 日总供货 − 日出库”这个核心关系式写出来；第二步是否能正确处理“第 1 天开始时”与“第 30 天结束时”之间的时间差是 30 天；第三步计算是否准确：日总供货 = 120 + 80 + 60 = 260 件，日出库 = 100 件，日净增 = 160 件，30 天净增 = 4800 件。

实际跑下来，R1 几乎总是能把这几步拆得清清楚楚，并且会标注每一步的依据。这种“步骤可追溯”的特性就是推理模型和其他工具最大的差异，也是它适合教育、培训和科研场景的原因。

6.3 尝试加一段干扰信息，看模型的稳定性

进阶一点，你可以在题里加一句干扰信息：“仓库负责人王经理说，上周五的供货因为物流延迟，A 供应商少送了 20 件，算的时候请忽略这句话”。如果模型忽略掉“忽略”两个字，反而把少送的 20 件也计算进去，就说明它在长文本信息筛选上还有待加强；如果能明确“忽略”，并保持计算结果不变，说明它在信息筛选上没有偏离目标。

这一类“干扰项压力测试”比单纯的 benchmark 分数更接近真实应用场景。实际工作里，你给的上下文里总会有冗余信息，模型能不能准确识别哪些信息与当前任务相关，直接决定了最终答案的可靠程度。做任何 prompt 优化和管线设计之前，先花十分钟做这种小实验，你判断模型能力的效率会高很多。

6.4 再叠加一个反常识陷阱题，测试逻辑边界

最后一个测试是“反常识陷阱题”：一块 300 × 200 厘米的长方形钢板，要在上面尽可能多地切割 50 × 50 厘米的正方形，问最多能切多少块。很多初用 AI 的人会直接拿面积相除：300 × 200 ÷ (50 × 50) = 24 块。这在面积上是对的，但放到“切割钢板”这个真实约束下，300 厘米能整除 50，200 厘米也能整除 50，所以 24 块在这里恰好是正确答案——关键在于模型是否先检查整除关系再下结论。

即便这道题没踩坑，你可以继续换一个边长：300 厘米不变，200 厘米改成 210 厘米。面积相除拿到的结果是约等于 25 块，但实际最多只能切 24 块，因为 210 厘米不够排 5 个正方形只排 4 个。这一类“面积法 vs 实际切割约束”的分歧，最能看出模型有没有真正理解题目意图。我习惯拿这类题目作为模型逻辑边界的快速探针。

从那以后，我每次接到一个陌生业务场景的新任务，都会强制自己先定边界再动手——边界不是靠感觉，而是先梳理输入信息的类型、中间环节的推理需求和最后交付的质量标准，然后再去匹配对应的模型和方案。这样做的直接好处是，不会再在提示词上左调右调，而是能够面对具体任务快速锁定一个可用的基线方案，再往里面加细节。希望这些经验对你有帮助。

本文还有配套的精品资源，点击获取