展会规模与成果 - 第二十一届中国国际动漫节吸引全球42个国家和地区2573家企业和机构、3057名专业客商参展参会 [1] - 参加各项活动观众人次超146万，其中主会场观众人次12.4万 [1] - 现场成交和意向签约及带动消费额约14.76亿元 [1] 科技与动漫融合 - 展示"动漫+科技"成果，包括宇树科技人形机器人"小黑"、央视动漫AI沉浸体验区、中南卡通"苏东坡全息数字人"等 [2] - 《黑神话：悟空》元素突出，1：1半身像和猪八戒模型吸引众多玩家 [2] - 展示机械外骨骼机器人、AI眼镜、VR头显等新产品新技术 [2] 国际交流与合作 - 吸引俄罗斯动画协会、美国迪士尼、法国Mediawan Group等国际机构参与 [3] - 国际动漫游戏商业大会（iABC）吸引33个国家和地区600余家企业和机构参会 [3] - 举办16场国际化活动，达成意向签约项目449个，涉及意向成交额11.02亿元 [3] 人文与社会价值 - 首次探索"银龄动漫"模式，举办"银龄漫游——重返童年之旅"活动 [3] - 外骨骼机器人支撑瘫痪女孩完成Cosplay表演，展现"动漫+科技"人文关怀 [3]

微短剧与文旅融合政策 - 山东发布首批29家微短剧摄制地和拍摄取景地名单，包括红嫂家乡旅游区、济南天下第一泉风景区等知名景区[1] - 山东省广电局印发《山东省推动微短剧高质量发展若干措施》，联合17家省直部门推出《山东省推动"微短剧+"创作计划工作方案》[7] - 政策明确单部微短剧最多可获得100万资金奖励，并优化提升现有影视基地功能[7] 景区资源优势 - 红叶柿岩旅游区拥有山水、陶硫、长城等五大核心资源，2023年游客120万人次，2024年增至160万人次[2] - 灵岩寺景区拥有宋代彩塑罗汉像、辟支塔等文化瑰宝，2024年因游戏《黑神话:悟空》取景爆红[3] - 红嫂家乡旅游区拥有江北最大清末民国风貌山村民居，40人演艺团队每年演出超千场[3] 微短剧对文旅的带动作用 - 微短剧《当星光坠入花海》在烟台拍摄20天带动景区、餐厅消费超500万元[6] - 灵岩寺景区通过发放3万份"通关文牒"成功实现游戏粉丝向游客的转化[3] - 微短剧具有低成本、高效率、大范围传播特点，能实现"IP—体验—消费"闭环[6] 景区差异化发展路径 - 红叶柿岩旅游区将开发"奇幻聊斋"和"跟着齐王巡长城"两个在地文化IP[4] - 济南天下第一泉风景区以泉文化为核心，计划推出微短剧主题旅游产品与线路[4] - 红嫂家乡旅游区将发挥实景优势，承接战争题材、年代题材微短剧[5] 行业合作与创新 - 多家景区计划与高校合作搭建实践基地，吸引学生与专业人才[5] - 景区将邀请主创团队合作开发IP，打造微短剧创客营地[4] - 灵岩寺景区将提供定制化取景服务，为不同类型微短剧提供多样化场景[5]

文章核心观点 国内大模型公司“深度求索”开发的DeepSeek-V3和DeepSeek-R1以极低训练成本实现与顶尖模型媲美的性能 ，报告介绍其部署和运行测试方法 ，并探讨GraphRAG与大模型在金融投研领域的应用 [1][5] DeepSeek部署与运行测试 各版本DeepSeek模型与部署所需硬件对应关系 - 大模型训练和推理用英伟达显卡搭配CUDA平台 ，部署模型所需显存用于保存模型权重等 ，显存M（GB）与模型参数量P、参数精度Q等有关 ，如P=7B、Q为16位浮点精度时 ，M=16.8GB [6] - 不同参数版本模型所需显存和对应显卡不同 ，如1.5B参数模型需3.6G显存 ，对应NVIDIA 4060 [7] 部署流程介绍 - DeepSeek模型开源 ，可公开下载 ，主流本地化部署方式有从HuggingFace下载调用和用Ollama、LM Studio平台部署 ，以Ollama为例 ，需访问官网下载终端 ，搜索模型版本 ，在cmd输入命令运行 [8] - Ollama本地模型默认端口为11434 ，其他应用调用时修改访问请求base_url [9] 简单问答测试 - 测试本地部署14B模型推理能力及与满血版差距 ，14B版本在部分逻辑题展现较强推理能力 ，但在复杂逻辑推理任务中与满血版有差距 [10][12] GraphRAG与大模型应用介绍 Langchain与RAG介绍 - 开源框架Langchain集成RAG和Agent功能提升大模型在专业垂直领域回答水平 [13] - RAG即检索增强生成 ，使大模型生成回答时读取外部信息 ，减少模型幻觉 ，生成更精准答案 ，包括检索、增强、生成三步 [14] - Agent是智能体系统 ，可自主感知环境、决策和执行行动 ，适用于自动化任务等应用 [15] GraphRAG - RAG效果未达预期 ，存在数据处理和相关性搜索问题 ，难以从全局考虑问题和进行总结归纳 [16][19] - GraphRAG由微软开源 ，通过构建知识图谱和社区摘要扩展RAG能力 ，特点有增强知识表示、可解释和可验证、复杂推理、知识来源灵活等 ，还能降低Token成本 ，支持增量索引和动态更新 [20][23] - GraphRAG流程包括文本单元切分、实体和关系提取、实体消解、图构建、社区总结 ，检索方案有全局搜索、局部搜索、DRIFT搜索 [24][27][29] - 蚂蚁基于GraphRAG构建DB - GPT ，是开源AI原生数据应用开发框架 ，让围绕数据库构建大模型应用更简单 [29][30] - GraphRAG应用场景拓宽到金融、医疗、法律等领域 ，如学术研究、法律情境、电子商务等 [31] 金融知识图谱GraphRAG&DeepSeek实践 金融知识图谱介绍 - 金融知识图谱以图结构表示金融领域知识 ，用于风险控制、投资决策、市场监管等 ，如FP2KG数据集有17,799实体等 [34][35] - 知识图谱可梳理投研领域实体和关系 ，减轻投研负担 ，辅助投资决策 [36] GraphRAG部署流程 - 用微软开源GraphRAG版本 ，结合DeepSeek大模型和研报数据构建知识图谱 ，步骤包括安装库、新建文件夹、下载数据、项目初始化、构建图谱、提问搜索等 [37][40][41] - 需调整提示词语言确保结果实用性 ，若换模型需调整settings.yaml参数 [41] 基于研报的知识图谱搭建 - 以传媒行业游戏板块和计算机行业个股研报等为输入 ，GraphRAG回答问题准确性和完整性高 ，能准确识别实体关联 [43][44][51] - 输出的社区报告表、实体关系表和实体表等结构化数据可用于后续筛选、处理 ，还可将图谱可视化 [45][49][50]