行业现状与未来展望 - 游戏行业新事物可能走向有趣方向或成为摇钱树，艺术商业化存在固有风险，但公司在创造活的叙事体验方面仍有很大空间 [3] - 公司联合创始人认为游戏业在创造活的叙事体验方面有巨大发展潜力，这是其过去开发《GTA》时一直追求的方向 [3] 公司动态与项目进展 - 公司联合创始人于2020年2月离开Rockstar并创立新公司，今年早些时候公布了游戏与小说一体的新作《Absurdaverse》，两个媒介讲述不同故事但共享同一世界观 [4] - 工作室新作仍需好几年才能问世，目前正尝试将AI技术融入游戏开发中 [6] AI技术在游戏开发中的应用 - 公司在新作故事中设计了许多AI角色，并尝试使用AI技术，但实际效果不如大公司宣称的那么好用，且不能解决所有问题 [6] - AI技术在某些特定任务上表现良好，但在很多方面仍有不足，公司认为其更像是对未来计算机的泛称，许多事情需要时间发展 [6]

生成式AI对游戏开发的影响 - 生成式AI目前对《侠盗猎车手》等大型游戏的开发影响有限 [1] - AI技术从根本上缺乏创造力，在提升开发效率方面的作用仍相当有限 [1] - AI已进入游戏制作流程，但对生产流程的改变远没有外界想象得那么大 [3] AI技术的局限性 - AI本质是大型数据集、大量算力和大语言模型的结合，其依托的是充满旧数据的庞大信息库 [3] - AI天生是向后看的，擅长处理依赖历史数据的工作，但在需要真正创造力的领域无能为力 [3] - 依靠数据驱动的模型本质上不可能具备创意，无法生成具有原创性的出色作品 [3] 公司的核心战略与能力 - 公司致力于打造能够长期存在的系列作品，最具代表性的就是《GTA》 [3] - 公司团队极具创造力，Rockstar Games一直在追求完美并证明能做到这一点 [3]

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]