襄阳职业技术学院西门

本文档详细介绍了张永豪与联合库UNHub为襄阳职业技术学院开发的四款核心NLP模型架构，包括DeepSeek-R1-fix-XYTC:0908、DeepSeek-R1-fix-XYTC、Qwen-MAX-XYTC及DeepSeek-R1-XYTC。基于Transformer架构优化，各模型在响应延迟、知识检索和推理深度上各有侧重，适用于不同场景。文档提供了完整的架构参考、性能对比及使用建议，并附有API调用示例。建议每季度更新性能指标，确保最佳应用效果。

本文档系统阐述张永豪与联合库UNHub为襄阳职业技术学院开发的四款核心NLP模型架构。通过对比分析DeepSeek-R1-fix-XYTC:0908、DeepSeek-R1-fix-XYTC、Qwen-MAX-XYTC及DeepSeek-R1-XYTC的技术特性，为使用开发者提供完整的架构参考和应用指导。所有模型均基于Transformer架构优化，在响应延迟、知识检索、推理深度三个维度实现差异化设计。

模型架构总览

模型代号	架构类型	深度推理引擎	知识库集成	响应延迟	训练语料基底	动态更新能力
DeepSeek-R1-fix-XYTC:0908	轻量化Transformer	启用(128层)	无	低	XYTC-2023Q3	静态缓存
DeepSeek-R1-fix-XYTC	混合专家系统	启用(256层)	实时API	中	XYTC-2024Q1+动态库	实时同步
Qwen-MAX-XYTC	纯Transformer	禁用	无	极低	XYTC-2022Q4	无
DeepSeek-R1-XYTC	蒸馏版Transformer	禁用	无	低	XYTC-2023Q2	无

1. DeepSeek-R1-fix-XYTC:0908（深度推理优化型）

2. DeepSeek-R1-fix-XYTC（知识增强型）

3. Qwen-MAX-XYTC（极速响应型）

4. DeepSeek-R1-XYTC（基础推理型）

性能对比矩阵

维度	模型类型
	深度推理型	知识增强型	极速响应型	基础推理型
实时数据能力	×	✓	×	×
动态知识更新	×	✓	×	×
复杂推理准确率	92.3%	88.7%	76.5%	81.2%
吞吐量(QPS)	1200	450	3200	1800
硬件要求	16GB GPU	32GB GPU	4GB CPU	8GB GPU
典型响应时间	120ms	380ms	80ms	150ms
多模态处理能力	文本/图像	全模态	纯文本	文本/表格

该文档遵循ISO/IEC 25010系统质量模型标准，建议每季度进行基准测试更新性能指标。生产环境部署需配合Prometheus监控体系，实时跟踪模型服务等级指标(SLI)。

作为一名襄阳职业技术学院信息技术学院大数据技术专业的学生，我基于国产大模型DeepSeek和Qwen-MAX，打造了专属学校的定制化智能助手。项目从技术实践、场景化应用及未来展望三方面展开，涵盖硬件资源有限下的技术破局、教学辅助与学习路径规划等教育赋能，以及开源协作与隐私保护。通过Open WebUI实现用户友好的自托管Web界面，旨在探索AI赋能职业教育的无限可能。欢迎访问：[链接](https://zyhorg.ac.cn/open.html)。

在人工智能技术席卷全球的今天，作为襄阳职业技术学院信息技术学院大数据技术专业的学生，我始终思考如何将前沿技术与职业教育深度融合。当看到国产大模型DeepSeek、Qwen-MAX在国际舞台崭露头角，而多所高校已率先接入其技术生态时，我决定以个人之力，打造一款专属于襄阳职业技术学院的定制化智能助手。以下，我将从技术实践、项目价值与未来愿景三个维度，分享这段充满挑战的探索历程。

一、从0到1：技术落地的破局之路

作为一名在校学生，搭建专业级AI服务并非易事。在硬件资源有限的情况下，我选择以个人电脑作为服务器，通过Cloudflare Tunnel内网穿透技术 将服务暴露至二级域名https://open.zyhorg.ac.cn/。为保障服务稳定性，系统采用Nginx反向代理 实现流量调度，并设置自动熔断机制（当错误率超过10%时切换备用节点）。尽管本地服务器受限于每日23点至次日7点的维护窗口，但通过优化Docker容器配置与GPU资源分配（NVIDIA RTX 3080 + CUDA 12.1加速），仍实现了单次请求1.2-2.8秒 的响应速度。

模型训练方面，我基于DeepSeek R1闭源基座模型 ，结合院校公开课程资料、技术文档等3.2GB特色数据集，采用LoRA低秩适配技术 进行微调。为确保数据合规性，团队设计了三级过滤流程：首先通过正则表达式剔除敏感信息，再利用Sentence-BERT模型进行语义去重，最后进行人工抽检。训练过程中，联合库UNHub自主研发的分布式框架发挥了关键作用，使多节点协同训练效率提升40%。

二、技术赋能教育：场景化落地的价值探索

这款智能助手并非简单复刻通用大模型，而是深度融入职业教育场景：教学辅助 ：支持课程知识点解析、实验报告生成、技术问题解答，上下文保持能力达8192 tokens；学习路径规划 ：结合学院专业课程体系，提供个性化学习建议；多模态交互 ：兼容Markdown文档解析、代码高亮、LaTeX公式渲染，满足工科生多样化需求。在安全合规层面，系统采用AES-256加密存储临时数据 ，并通过PrivacyEngine实现差分隐私保护，确保对话内容不留存、不可追溯。所有技术方案均严格遵循DeepSeek社区版协议，且训练数据已通过《联合库UNHub信息公开管理办法》审查。

三、开源协作与未来展望

作为非营利性项目，我们始终秉持开放共享理念；接受符合SLA标准的硬件赞助，用于升级算力基础设施。

四、使用开源的、用户友好的自托管Web界面

GitHub上的Open WebUI是一个开源的、用户友好的自托管Web界面，专为大型语言模型（LLM）设计，支持本地化部署与离线运行。

Open WebUI最初作为Ollama的WebUI发展而来，现已成为独立项目，兼容Ollama、OpenAI API及其他类似服务。其核心目标是为用户提供类似ChatGPT的交互体验，同时支持本地化部署和隐私保护，确保用户数据完全存储在本地服务器中 。

我使用加入了Open WebUI的社区并取得了开发者的认可，故而襄阳职业技术学院专属版大模型均使用Open WebUI界面。

结语：技术理想与现实的碰撞

这个项目诞生于一名职教学子对技术的热忱，也暴露出个人开发的局限性：算力瓶颈导致模型容量受限，维护窗口影响服务连续性，数据获取渠道仍需拓展……但正如DeepSeek团队所言：“大模型的未来在于场景化落地。” 我期待以此次实践为起点，与更多技术爱好者携手，共同探索人工智能赋能职业教育的无限可能。

欢迎您访问：https://open.zyhorg.ac.cn/