自研定义：在开源程序上做微调、训练，从零开始构建大模型架构并进行预训练、微调、强化学习，或对开源模型修改代码、在本地封装运行，都算自研。 模型范围：支撑业务的底层模型，包括多模态、图书行业文本大模型等，以及接入和微调的开源模型、闭源大模型都属于公司模型范畴。 参数情况：过去有几个百亿级别参数的模型，正在构建千亿级别参数的模型 deepseek-v4-flash。 技术亮点与优势： 模型层面：以垂类

基于给定的自研定义（涵盖在开源程序上做微调训练、从零开始构建大模型架构并完成预训练微调强化学习、修改开源模型代码并本地封装运行等多种模式），同时支撑业务的底层模型（包括多模态、图书行业文本大模型等，以及接入和微调的开源模型、闭源大模型）均属于公司模型范畴，当前相关大模型体系已形成覆盖不同参数规模、适配多元场景的完整布局。

目前已公开的自研大模型相关构成丰富，覆盖不同技术路线与能力方向，包括云天励飞自研千亿级大模型“云天天书大模型”，旗下包含语言大模型、多模态大模型等不同系列 【5】 【11】 ；海康威视自研海康观澜图文多模态大模型，采用“语言大模型底座+视觉编码器+跨模态对齐”的架构路线，视觉编码器负责图像特征提取，语言大模型底座提供语义理解和推理能力，跨模态对齐模块实现视觉特征与语言空间的统一映射，以更小的参数规模实现了较高的任务精度，大幅降低了部署门槛和推理成本 【7】 ；另有以MoE架构与全模态布局为技术基础的高性价比大模型产品，多模态能力在统一架构下协同演进，支撑AI原生产品与开放平台同步放量 【1】 。现有公开参考资料中暂未覆盖图书行业文本大模型的相关构成细节，若需要该类细分大模型的具体信息，可对应查阅相关垂直行业专项报告获取更完整内容。

此前已落地的多个百亿级别参数大模型，在性能表现与场景适配层面均已得到充分验证。从公开实验对比数据来看，DeepMind推出的Chinchilla作为仅700亿参数量的大模型，通过减少参数量、大幅扩充训练数据量的路径，实现了比同期千亿、五千亿级大模型更优异的表现：在HellaSWAG测试集上准确率达80.8%，BoolQ测试集上准确率达83.7%，Winogrande测试集上准确率达74.9%，性能表现优于参数量更高的GPT-3、MT-NLG 530B、Gopher等大模型，也印证了当前大模型正朝着“用更少的训练参数实现更高性能”的方向发展 【21】 【22】 。同时行业研究也指出，大模型的性能核心和计算量、训练数据量、模型参数量三者相关，百亿级大模型在平衡参数量与训练数据规模后，已经可以支撑多数落地场景的基础能力要求 【25】 。这类百亿级大模型的适配场景覆盖了多行业的不同层级业务，既包括跨行业通用的内部提效场景，比如文档图像处理、智能问答、音视频内容分析、代码辅助生成、知识管理、数据分析等技术成熟度高、风险可控的通用基础效能场景 【20】 【23】 ，也覆盖证券业分层业务场景，前台可作为关键内容生成环节和传统AI、人工协同完成业务处理，中台可支撑风险管理这类重点试点方向，后台可落地数据治理、代码生成等提效场景，同时还能适配智能投研、舆情分析、尽调核查等新兴高价值场景 【17】 ，还可延伸至多行业核心业务场景，政务领域可支撑公文起草、城市治理、应急指挥相关工作，金融领域可适配信贷全流程风控、反洗钱监测、智能投顾等核心业务，能源领域可服务能源安全保供、生产效率提升相关需求，同时也能覆盖自动驾驶、智能制造、图像处理、金融医疗数据处理等对时延、性能、安全有不同要求的差异化场景 【16】 【13】 。

当前正在推进构建的千亿级别参数模型DeepSeek-V4-Flash，研发进度清晰且落地指向明确。该模型整体研发推进节奏顺畅，目前已进入正式公测阶段：2026年4月24日该版本随DeepSeek-V4系列同步上线并开源，当时就已明确总参数284B、激活参数13B、支持1M上下文的核心架构，主打经济高效部署需求 【28】 ；2026年7月31日，DeepSeek-V4-Flash正式版API开启公测，模型结构、尺寸和预览版保持一致，仅通过重新后训练大幅优化了代码修改、工具调用、多步骤任务执行等Agent相关能力，多项核心评测成绩甚至超过了此前的V4-Pro预览版，开发者可以直接使用原有"deepseek-v4-flash"的接口名称调用，无需更换配置 【29】 【31】 ；目前该版本已经完成多生态适配：原生支持Responses API并适配Codex，同时兼容OpenAI、Anthropic格式的调用接口，支持Json Output、工具调用、对话前缀续写、FIM补全等多项能力，华为云MaaS平台也已提供免部署、一键调用DeepSeek-V4-Flash API的Tokens服务 【28】 【30】 【34】 。其设计定位就是以高性价比的1M长上下文能力覆盖高频落地场景，核心预期落地场景包括代码相关场景，依托优异的代码仓库理解与修改能力，支撑低门槛的编程Agent开发，覆盖代码生成、代码库迭代维护等开发工作流 【30】 ；智能体与自动化场景，在终端操作、网络安全任务、多步骤工具调用等评测中表现突出，可落地企业级自动化办公、运维智能体、网络安全自动化检测等场景 【29】 ；以及高性价比长上下文普惠场景，凭借远低于Pro版本的调用成本（缓存未命中时百万tokens输入仅1元，输出2元），把百万字超长上下文能力带入更多高频通用场景，比如长文档处理、批量结构化数据输出等，降低大模型在企业端的使用门槛 【34】 【36】 。

面向图书等垂类领域，该系列大模型也形成了突出的核心技术亮点与差异化竞争优势。技术亮点层面，首先具备垂类定制化训练适配能力，针对图书领域特有的海量专业内容（不同品类图书的专业术语、编校规则、出版行业标准、读者阅读行为数据等）做定向优化，既可以深度理解图书领域的专业表达，也能精准适配选题策划、内容审校、装帧文案生成、读者画像分析等细分业务流程，解决通用大模型处理图书专业场景时精准度不足、对行业规则理解不到位的问题，同时相比通用大模型大幅降低了场景落地的计算成本 【43】 ；其次有多模态融合处理能力，依托多模态异构专家扩展、时空维度表征压缩等技术，可同时高效处理图书文本内容、封面图像、配套音频/视频衍生内容、古籍扫描影像等多类型数据，打破单一文本处理的局限，支撑有声书生成、数字多媒体读物制作、古籍数字化修复等多元场景需求 【51】 ；第三是高可信长内容处理能力，借助长序列建模优化技术和基于知识点的大规模高密数据构建技术，一方面可以流畅处理百万字级别的全本图书内容，支撑整本书的内容摘要、知识点拆解、同人衍生内容合规性校验等长文本任务，另一方面通过高知识密度预训练大幅降低内容生成的幻觉问题，避免编校、知识科普类图书衍生内容出现事实性错误，满足图书出版行业对内容严谨性的核心要求 【51】 ；最后具备多源数据集成决策能力，可打通图书出版全链路的多维度数据，包括历史出版数据、市场销售数据、读者评论反馈、同类竞品内容数据等，为图书选题预判、市场定位分析等复杂业务场景提供更灵活的智能决策支持 【42】 。对应的差异化竞争优势体现在四个方面：一是场景适配的效率优势，相比通用大模型，图书垂类大模型不需要在通用通识能力上做冗余投入，通过行业专用数据集训练后，在图书编校差错识别、选题市场潜力评估、个性化书单生成等细分任务上的处理精度和业务流程优化效率都有显著提升，能够直接嵌入出版机构原有工作流快速落地，帮助企业提升核心业务效率 【44】 ；二是开放生态带来的普及优势，依托当前垂类大模型领域的开源开放生态，相关技术服务商可以像通义千问、Grok的开源模式一样降低中小出版企业的接入门槛，让不同规模的图书相关市场主体都能低成本搭建定制化的智能解决方案，覆盖从大型出版集团到独立工作室的多元需求，推动全行业的智能化升级 【47】 【50】 ；三是通用-垂类协同的迭代优势，可以接入通用大模型的底层推理、工具调用能力作为基础支撑，同时用图书领域沉淀的高质量正版内容、行业业务数据反哺模型迭代，形成正向循环，持续优化针对图书场景的服务能力，进入系统级的智能竞争阶段 【45】 ；四是合规与安全适配优势，针对图书出版行业对内容意识形态安全、知识产权保护、内容合规性的高要求做定向优化，相比通用大模型更适配图书领域对数据集权威性、内容输出安全性的特殊标准，能够更好平衡技术创新和行业监管要求 【48】 【50】 。