DMS AI Lab · 技术简报第 001 号

能交付的研究。
不是躺在 arXiv 上的研究。

01 问题

大多数 AI 研究从未离开过实验室

论文发布了。代码腐烂了。从 NeurIPS 聚光灯论文到生产系统的鸿沟，是以年而不是周来衡量的。

02 方法

面向生产意图的应用研究

我们训练大语言模型、构建智能体、部署 RAG 管道。每个研究问题都来自有付费客户的实际项目。

03 产出

代码，而非引用次数

研究原型、开源工具和深度技术文章全部 Apache 2.0 许可、可复现、可投入生产。

04 合作

与我们合作

我们与初创公司、企业和研究人员合作。每周演示。干净代码。完整知识产权归属。

探索研究领域开始对话

DMS AI Lab 隶属 DMS Lab · 成立于 2020 年 · 6 个活跃研究领域

研究领域

我们正在解决的六个问题

没有空洞理论。没有沙盒实验。以下每个问题都来自我们为付费客户构建 AI 的真实项目。而有时候，最好的答案始于某个周五下午的大胆原型。

大语言模型训练

如何为真实用例训练和微调大语言模型？

调用 API 很快，但您无法控制质量。我们使用 LoRA 和 QLoRA 在本地 GPU 基础设施上训练和微调 Llama、Mistral 和 Qwen 等开放模型。从数据集准备和微调策略到量化和推理优化：每一步都经过测量和记录。结果：更快的模型、更低的成本，以及对输出行为的完全掌控。

LLM 智能体

AI 智能体能否在生产环境中可靠地推理、规划和行动？

多步骤智能体架构静默失败的次数远超成功次数。我们构建具备工具、记忆和决策能力的智能体，然后在失败意味着金钱损失而非基准分数的真实企业工作流中对其进行压力测试。

RAG 系统

如何构建真正可扩展的 RAG 系统？

RAG 演示与生产 RAG 系统之间的差距大约需要六个月的工程工作。我们正在弥合这一差距：向量搜索优化、混合检索策略、大规模分块，以及能在千万级文档下稳定运行的嵌入管道。

工作流自动化

编排多模型、多步骤 AI 管道需要什么？

调用三个 API 很容易。构建包含条件分支、人在回路回退和跨五个模型的优雅降级管道这才是工程。我们设计能处理边界情况而不只是理想路径的工作流。

模型评估

如何诚实地对 AI 系统进行基准测试和压力测试？

排行榜分数衡量不了生产环境中真正重要的东西。我们构建自定义评估框架，测试回归性、对抗鲁棒性和真实任务表现。如果你无法衡量它，你就无法交付它而我们认真对待衡量。

AI 安全与防御

如何保护 AI 系统并使用 AI 进行系统防御？

同一问题的两个侧面。第一面：通过输入过滤、输出验证和权限隔离，保护 AI 模型免受提示注入、对抗攻击和数据泄露。第二面：利用 AI 本身检测异常、自动化威胁响应并为您的基础设施构建防御盾。我们从架构到部署双向研究。

我们的产出

从实验室到生产

研究可信度不取决于引用次数。它取决于能运行、可下载、可在此基础上构建的代码。以下是我们产出的内容。

研究原型

新型 AI 架构的完整实现智能体系统、RAG 管道、评估框架。不是幻灯片。是可运行代码，您可以克隆、用自己的数据测试并集成到您的技术栈中。

开源工具

基准测试、评估框架和工具库全部 Apache 2.0 许可、文档齐全、积极维护。我们将所学开源，因为共享工具的价值会不断复利。更好的工具提升整个生态。

DMSLab.ai 集成

周一验证的研究成果直接流入 DMSLab.ai 的生产 API、智能体平台和自动化引擎。从发现到客户交付在同一周内完成。这个反馈闭环是我们的竞争优势。

技术深度分析

实验记录、架构决策和方法论笔记附带可复现代码和原始数据。我们记录了什么有效、什么失败、什么让我们意外。没有挑肥拣瘦的结果。没有幸存者偏差。