华为技术专家们好， 我最近申请到了AI百校计划，想加入专属资源白名单。能帮我添加一下吗？谢谢！

为深化教育部产学合作协同育人项目建设，推动昇腾国产AI技术融入高校《深度学习》核心课程，7月3日，广东工业大学计算机学院成功举办《华为昇腾云与（深度学习）课程融合及实战师资培训》。来自全校各学院50余名骨干教师齐聚现场，完成一整天系统化理论学习与工程实操实训，打通产业前沿技术与课堂教学的落地通道。本次培训由计算机学院陈云华副教授牵头筹备，配套华为官方全套标准化教学资源，设置理论筑基、项目实战、高校生态宣讲三大核心环节，兼顾教学改革落地性与工程实操实用性。第一阶段：昇腾AI全栈理论教学讲师系统讲解昇腾五层全栈技术架构，从昇腾芯片、CANN 异构架构、MindSpore 全场景框架，到ModelArts一站式开发平台、开发者空间实训环境逐层拆解；同步分享广工36学时《深度学习》校企融合课程完整方案，配套华为官方课件、实验手册、教学案例库，覆盖神经网络、Transformer、大模型、生成式AI等全部教学章节，助力教师快速完成课程迭代升级。第二阶段：两大完整实战案例上机演练MaaS大模型应用实战：通过华为开发者空间1元申领千万DeepSeek Tokens代金券，学习远程云开发容器搭建、模型服务开通、API密钥配置，从零基于Python+Gradio开发 AI 对话网页助手，完整掌握高校大模型实训课落地方案，无需本地高配置设备；YOLOv5计算机视觉实训：依托 ModelArts Notebook云端环境，完成数据集导入、模型训练、权重保存、目标推理全流程实操，提供开箱即用实验代码，可直接用于课堂实验、课程设计教学。实操环节规避本地环境配置复杂、硬件不足、版本冲突等教学痛点，参训教师现场动手完成完整项目，实操门槛低、可直接迁移至日常教学。培训最后，华为云高校生态团队面向参会老师全面解读华为云面向高校的全周期育人生态：码道代码智能体、开发者成长中心、圈层培养计划、华为云学科竞赛、产教融合课程及科研支持等配套权益，覆盖教师备课、学生实训、学科竞赛、科研开发全场景。本次师资培训以教育部产学协同育人项目为载体，实现国产昇腾根技术与高校深度学习课程深度融合，提供可复制的师资研修、课程共建样板。未来华为云将牵手高校，常态化开展师资研修、学生实训营、学科竞赛联合培育活动，依托完整产教资源，持续培养贴合数字产业需求的人工智能复合型人才。

上周申请的百校计划，请问大概什么时间才会出结果呢？

一、东方数理-太极场想解决什么问题： 东方传统智慧（易经、五行、天干地支）蕴含深刻的系统论和对称拓扑思想，但缺乏现代化的数学表达和可计算框架，导致其无法在量子计算、AI推理等前沿领域发挥实际价值。为什么会想到做这个： 当前量子计算遭遇三大瓶颈——量子态不稳定、纠错成本极高、拓扑布线低效。而东方数理体系中的六重对称性（C₆）、阴阳二元平衡、六十四卦编码等，恰好与量子计算的核心需求高度同构。大概是什么产品： 一套基于C₆对称群的东方数理计算引擎，包含量子态稳定化算法、卦变量子编译器、六边形拓扑优化器三大核心模块，适配华为Ascend芯片和量子云平台。二、目标用户及痛点面向哪些用户： 量子计算研究者、AI大模型开发者、地震预测科学家、个性化服务开发者当前痛点： 量子相干时间短、MoE路由延迟高、地震预测缺乏有效模型、传统八字排盘精度受限三、价值与意义效率提升： 量子相干时间提升3-10倍，编译深度降低40%；MoE路由延迟<0.12ms；地震预测命中率62%社会价值： 将传统东方智慧转化为可验证、可计算的现代科学工具，推动中国原创科学范式的建立

15号申请的百校计划，已经十个工作日了，请问大概什么时间才会出结果呢？后台审核处只有四个编码，但是还处在审核中，我想知道大概什么时间才会出结果呢？

本人在创建智能体后，还是无法新建凭证。复现步骤：  ▎ 1. 创建 OpenClaw 模式智能体，保存后为草稿状态  ▎ 2. 进入凭证管理 → 新建凭证  ▎ 3. 「请选择智能体」下拉显示「无数据」  ▎  ▎ 环境：HarmonyOS 6.1.0，Chrome 浏览器  

一、概述1. 案例介绍本案例基于华为云ModelArts模型训推平台，结合OpenClaw和第三方通信软件，打造7*24小时远程AI助手。通过OpenClaw + ModelArts-skill统一管理ModelArts资源、推理任务部署、训练作业调度及Notebook实例生命周期，实现AI开发与部署的全流程自动化管理。*本实验需要用到算力资源，可登记下表免费领取代金券cid:link_42. 适用对象企业个人开发者高校学生3. 案例时间本案例总时长预计30分钟。4. 案例流程领取MaaS模型tokens;在ModelArts创建专属资源池以及Notebook;在Notebook中进行OpenClaw安装并配置MaaS模型key;体验ModelArts Notebook OpenClaw。5. 资源总览本案例体验30分钟预计花费4~5元。注意：1.此处标注的金额仅限成功领取代金券体验一遍案例，如自费或超出代金券金额持续使用专属资源池和MaaS平台模型则会进行持续扣费，本案例按DeepSeek V3.2示例。2.代金券激活后，需在个人账户充值不低于1小时资源费的保证金（如下所示：最低7.5元），体验完成删除资源后，保证金将返回个人账户，自行选择是否提现。资源名称规格单价（元）ModelArts CPU专属资源池modelarts.vm.cpu.8ud7.41元/小时ModelArts Notebook实例云硬盘 EVS5GB0.007元/小时华为开发者空间 - DeepSeek-R1/V3.2千万Tokens代金券DeepSeekV3.21.00ModelArts Studio大模型（DS/K2/Q3等）通用代金券DeepSeekV3.20.00二、环境资源准备2.1 领取华为云MaaS平台大模型Tokens福利方式一： 登录华为开发者空间，参考案例《华为开发者空间 - ModelArts Studio大模型通用代金券领取使用指导》中的“二、 开通MaaS平台大模型”章节内容领取代金券，获取到模型的API地址、模型名称和API Key。方式二： 登录华为开发者空间，参考案例《华为云MaaS平台大模型Tokens领取使用指导》中的“二、 领取MaaS平台大模型Tokens”章节内容，领取MaaS平台DeepSeek V3系列大模型Tokens代金券，购买ModelArts Studio DeepSeek Tokens套餐包，开通模型服务，最后获取到模型的API地址、模型名称和API Key。以开通deepseek-V3.2为例，在OpenAI兼容接口获取API地址和Model参数：  注意：请妥善记录API Key、API地址以及模型名称待后面步骤使用。2.2 创建专属资源池并创建Notebook1.登录华为云ModelArts，注意：第一次使用的用户请按照提示进行访问授权即可2.点击左侧菜单资源管理 > 专属资源池 ，按照下图选项依次选择后创建专属资源池。创建专属资源池约10分钟。注意：在配置网络中->ModelArts网络->新创建的网络，并选择新创建的网络。其中创建网络配置保持默认配置即可。3.填写节点池名称，并选择节点类型为CPU，CPU架构为X86.4.等待专属资源池创建成功后，点击左侧菜单 开发者空间->Notebook ，按照下图选项依次选择后创建Notebook。注意：镜像选择“py3.10.6-ubuntu22.04”即可，其他选项维持默认配置即可 三、使用Notebook OpenClaw实现ModelArts（魔坊）管理3.1 快速安装部署并启动OpenClaw1.点击左侧菜单开发者空间->Notebook->选择刚才创建的Notebook->接入环境->JupyterLab接入2.进入JupyterLab之后：ModelArts Launcher->AI Agent->OpenClaw3.仔细阅读相关服务声明和安全说明后点击同意，开始安装配置OpenClaw4.依次选择 完整安装OpenClaw->推荐版本，等待OpenClaw下载安装完成5.OpenClaw安装完成会提示进行模型配置，将2.1章节中获取的模型url和key，粘贴到下方6.等待Gateway启动成功后，OpenClaw图标会变成如下状态，代表已经安装并启动完成，点击OpenClaw打开即可  3.2 ModelArts 服务Skill实践 注：注意如果需要单独部署推理或者训练任务，可能涉及其他项目的费用。1.在Notebook中安装部署OpenClaw，会自动配置ModelArts SKill，它集成了ModelArts当前所有服务的API，帮助您更方便的使用ModelArts 各个服务2.获取资源池中正在运行的工作负载3.获取资源池中的统计信息3.3 OpenClaw集成飞书，7*24小时远程体验（可选）注：请提前完成飞书客户端的获取，飞书的App ID与App Secret 创建配置及获取方式可以参考下面文档进行获取：cid:link_51.在Notebook JupyterLab中，打开菜单ModelArts Launcher->AI Agent->OpenClaw->Management，选择进入 即时通讯配置>配置飞书，请耐心等待飞书插件下载完成  2.将飞书的App ID与App Secret依次填入，确认后选择重启Gateway 3.等待Gateway重启完成后，在飞书APP中的开发者小助手对话框中可以看到版本发布成功的提示，单击打开应用即可进入机器人的聊天窗口也可以在搜索框中搜索已创建的机器人名称，选中后进入聊天窗口，可以与机器人直接对话测试效果。 4.注意：如果在飞书发送消息，提示“OpenClaw: access not configured.”，请将提示的命令“openclaw pairing  ...”在Terminal中执行即可，如下图所示至此，在华为云ModelArts一键体验 OpenClaw案例已全部完成。四、资源释放*案例体验完成后，如果不想继续使用，必须删除Notebook和专属池资源，避免后续产生不必要的费用，删除后保证金会退回账户，可自行选择是否提现。1.点击左侧菜单开发者空间->Notebook->选择刚才创建的Notebook->更多->删除， 输入"DELETE"，点击确定，Notebook实例会被立即删除。2.点击左侧菜单资源管理 > 专属资源池->选择刚才创建的资源池实例->更多->删除，输入"DELETE"，点击确定，专属资源池实例会被立即删除。  【训练营小tip】如您在案例实操过程中遇到问题或有改进建议，可以在开发者训练营群内反馈，我们会及时响应处理，谢谢！欢迎扫码，加入华为云Inspire创想者大会实战训练营技术交流群扫码获取更多训练营资讯

最近Notebook都不可用，好像有一两个月了吧，如果不提供最好明确说明或下架，而不是仍可点击操作

从Demo到生产：尚硅谷2026版大模型项目的容器化部署与性能调优在2026年的技术浪潮中，大模型（LLM）已经不再是实验室里的新奇玩具，而是驱动企业降本增效的核心生产力。许多开发者在跟随尚硅谷等优质教程完成大模型项目的本地Demo搭建后，往往会面临一个巨大的鸿沟：如何让这个在本地跑得通的项目，真正安全、稳定、低成本地落地到企业的生产环境中？从Demo到生产，绝不仅仅是简单的代码搬运，而是一场关乎算力成本、用户体验与系统稳定性的商业突围战。而容器化部署与深度的性能调优，正是打赢这场战役的关键武器。容器化部署：打破环境壁垒，实现“模型即服务”在商业落地中，时间就是金钱。传统的部署方式往往因为开发、测试与生产环境的微小差异（如CUDA版本、依赖库冲突）而导致项目延期。容器化技术（Docker + Kubernetes）为大模型项目提供了标准化的交付范式。通过将大模型、推理引擎（如vLLM、TensorRT-LLM）以及复杂的Python依赖环境打包进一个轻量级的Docker镜像中，企业可以实现“一次构建，到处运行”。这不仅消除了环境不一致带来的运维风险，更让大模型具备了极强的弹性伸缩能力。结合Kubernetes的自动化调度，当业务高峰期（如电商大促、客服早高峰）来临时，系统可以自动扩容推理节点；当流量低谷时，又能自动缩容释放资源。这种“模型即服务”（MaaS）的架构，让企业能够像使用水电一样按需购买算力，极大地提升了IT资源的投资回报率。性能调优：压榨硬件极限，直面“显存焦虑”大模型商业落地的最大拦路虎，往往是高昂的硬件成本。一块高端GPU动辄数万甚至十数万元，如果推理效率低下，企业的利润将被算力成本吞噬殆尽。因此，生产级的性能调优不再是锦上添花，而是生死攸关的必修课。在容器化环境中，性能调优的核心在于对GPU资源的极致利用。首先是推理加速引擎的引入，例如采用vLLM配合PagedAttention技术，能够有效解决显存碎片化问题，大幅提升并发吞吐量，让单次推理的响应延迟（Latency）从秒级压缩至毫秒级。其次是GPU的共享与切分调度，对于BERT等轻量级模型或低频访问场景，通过MIG（多实例GPU）或MPS（多进程服务）技术，可以将一块物理显卡切分为多个逻辑实例供不同任务共享，从而将硬件利用率从传统的20%提升至75%以上。这些硬核的工程化手段，直接决定了项目的单位算力成本，是商业模型能否跑通的关键。稳定性与成本的双重护城河从Demo走向生产，还意味着要面对真实世界的复杂性。在生产环境中，冷启动延迟、模型加载失败、显存溢出（OOM）等故障随时可能发生。基于容器的健康检查（Liveness Probe）与自动化重启机制，能够确保服务在遇到异常时实现“自愈”，保障业务7x24小时不间断运行。同时，通过量化技术（如INT8/INT4量化）与模型蒸馏，可以在几乎不损失业务精度的前提下，将模型的体积和计算量大幅缩减。这不仅降低了对昂贵硬件的依赖，甚至让部分大模型应用下沉到边缘设备成为可能。从尚硅谷的课堂到企业的机房，大模型项目的容器化部署与性能调优，本质上是一场从“技术实现”到“商业价值”的跨越。只有掌握了这些工程化的核心心法，开发者才能真正帮助企业驾驭大模型这股洪流，在激烈的市场竞争中构建起属于自己的技术护城河。

一、概述1.1 案例简介华为云ModelArts模型训推平台是面向开发者的一站式AI开发平台，可快速创建和部署模型，管理全周期AI工作流。本案例基于千问8B模型构建医疗问诊系统，展示从问诊数据处理、模型微调到部署的全流程。1.2 适用对象个人开发者高校学生企业开发者项目管理者1.3 案例流程1.4 资源总览本案例预计花费105元。本实验需要用到算力资源，可登记下表免费领取代金券。cid:link_1注：代金券激活后，需在个人账户充值不低于1小时资源费的保证金（如下所示：共计327元），体验完成删除资源后，保证金将返回个人账户，自行选择是否提现。资源名称规格单价本案例使用时长数据精炼-公共资源池NPU (1卡) | (24 vCPUs) | 内存 (192 GB)29.55元/小时10分钟模型训练-公共资源池8 * Ascend-snt9b2 | 192 vCPUs | 1536 GiB (modelarts.bm.npu.arm.8snt9b2)236.41元/小时13分钟在线推理-公共资源池1 * Snt9b3 | 24 vCPUs | 192 GiB | ARM (modelarts.bm.arm.24u.npu.1snt9b)29.55元/小时*2次1分钟OBS资源包标准存储多AZ包-40GB1元/月1天二、实战演练2.1 上传医疗微调数据集在数据处理和模型训练的场景中，用户需要将多种类型的数据集高效、准确地导入到ModelArts数据平台中，以支持后续的数据精炼和模型训练任务。然而，传统的数据导入方式存在诸多限制，如不支持自定义任务名称、数据格式转换功能有限等，导致用户在导入数据时面临操作不便和数据处理效率低下的问题。如何在新的平台中实现更加灵活和高效的数据导入功能，成为用户亟待解决的问题。为此，ModelArts平台提供了增强的数据导入功能，支持多种基础数据类型的导入，允许用户在创建导入任务时编辑任务名称和描述，从而显著提升了数据处理的灵活性和效率，满足了用户在数据准备阶段的多样化需求。1.前往ModelArts管理控制台，在控制台左侧导航栏选择“数据准备-->数据连接”，打开“数据连接”工作区-->创建数据连接注：如控制台链接跳转至旧版，请点击左下角“前往新版”，再创建数据连接2.在“创建数据连接”配置页面，自定义任务名称和描述。3.选择单轮问答类型，文件格式为jsonl，连接方式为对象存储服务OBS，打开文件夹图标4.根据弹框提示，点击前往OBS的链接-->购买资源包-->选择区域“西南-贵阳一”，资源包类型选择“标准存储多AZ包”，规格选择“40 GB”，购买时长“1个月”。存储计费说明：cid:link_5注：代金券可覆盖实验所需存储费用，无需自付。5.回到桶列表-->创建桶-->配置页面的区域选择贵阳一-->其他默认-->立即创建6.下载医疗微调样例数据train1000.jsonl，回到桶列表，点击刚刚创建的桶名称-->新建文件夹-->在文件夹里点击上传对象-->默认存储类别-->上传刚刚下载的文件    7.回到数据连接配置页面，选择刚刚新建的桶名称，找到train1000.jsonl文件，选中该文件所在文件夹，点击确定，自动生成存储路径  8.导入的数据形成新的数据集，需要给数据集重新命名。输入数据集名称（本案例文档中使用“医疗行业微调数据集”举例，请用户自定义输入数据集名称）、数据集属性（可选）、描述信息（可选），并配置“立即上线数据集”。2.2医疗微调数据集精炼数据精炼是ModelArts数据工程的核心功能模块，旨在解决大模型训练数据准备过程中的“质量”与“数量”双重挑战。它打破了传统数据处理工具的界限，将基于规则的数据加工（清洗、过滤、去重等）与基于大模型的数据合成（改写、扩充、润色等）深度融合。1.打开ModelArts管理控制台，在控制台左侧导航栏选择“数据准备 > 数据精炼”。在数据精炼页面右上方单击“创建智能精炼”，配置任务名称。描述相关信息，选择数据集使用步骤一导入的数据集（“医疗行业微调数据集”），单击“下一步”。2.在“添加算子”区域选择“个人数据脱敏”算子，并勾选全部脱敏项，单击“保存并下一步”。3.配置生成数据集，输入数据集名称（本案例文档中使用“医疗行业精炼后微调数据集”举例，请用户自定义输入数据集名称），存储地址为最终生成数据集的存储地址，自定义选择即可，资源池类型选择“公共资源池”，规格选择“NPU (1卡) | (24 vCPUs) | 内存 (192 GB)”，单击“启动”。  4.当数据精炼作业的“最近运行状态”变为“数据集生成成功”时，表示数据精炼作业运行结束，其生成的数据将存储至“资产管理-->数据-->我的数据”中。  2.3基于Qwen3-8B模型精调在大模型训练中，精调（或“微调”）（Fine-tuning） 是指通过特定领域的数据集对已经做过全量预训练模型（Pre-trained Model, PT）进行二次训练的方法。通过精调能够更新模型权重，使模型能够更有效地应对具体的任务需求。这一阶段使模型能够精确执行如文案生成、代码生成和专业问答等特定场景中的任务。1.在ModelArts管理控制台左侧导航栏中，选择“模型开发与训练-->模型训练”进入训练作业列表。单击“创建训练作业”，进入创建训练作业页面，训练模式选择“精调作业”，配置任务名称相关参数，选择模型Qwen3-8B | V1.0.0，训练类型选择“微调”，训练目标选择“全量微调”，模型输出路径自定义选择，资源池类型选择“公共资源池”，规格选择“8 * Ascend-snt9b2 | 192 vCPUs | 1536 GiB (modelarts.bm.npu.arm.8snt9b2)”。  2.数据集选择“医疗行业精炼后微调数据集”，训练参数-EPOCH输入1，勾选“自动发布到资产”（本次案例模型名称为“医疗行业-Qwen3-8B-微调模型”。）3.当参数配置完成后，单击“提交”，创建精调作业任务。精调作业一般需要运行一段时间，前往精调作业列表，可以查看精调作业的基本情况。精调作业运行完成后自动将模型训练过程中的最终产物发布到模型资产资产管理-我的模型。2.4微调后模型部署模型资产管理是ModelArts平台的核心模块，负责统一管理平台提供的预置模型和我的模型。本案例使用我的模型一键部署，直接推理使用。1.前往ModelArts管理控制台，在左侧导航栏选择“资产管理-->模型”。在模型资产工作区选择“我的模型”，找到步骤三中模型精调产物“医疗行业-Qwen3-8B-微调模型”，点击操作列“部署”2.服务名称输入“医疗行业-Qwen3-8B-微调推理服务”，资源池类型选择“公共资源池”，推理单元选择“1 * Snt9b3 | 24 vCPUs | 192 GiB | ARM (modelarts.bm.arm.24u.npu.1snt9b)”，设置时长“1小时”，点击确定启动部署，可前往 “模型推理-->在线推理”列表页面查看推理服务的基本情况。2.5模型效果实时比对模型实时对比功能提供了一个直观的对比平台，允许用户在完全一致的输入条件下，对不同模型进行横向评测。本案例使用模型实时比对功能进行微调效果验证：将“未微调的原生模型（Qwen3-8B）”与“微调后的模型（医疗行业-Qwen3-8B-微调模型）”做同步对比，直观验证微调是否成功注入了领域知识，或是否存在能力退化。1.前往ModelArts管理控制台，在左侧导航栏选择“资产管理-->模型”。在模型资产工作区选择“预置模型”，找到模型Qwen3-8B”，点击操作列“部署”2.服务名称输入“Qwen3-8B推理服务”，资源池类型选择“公共资源池”，推理单元选择“1 * Snt9b3 | 24 vCPUs | 192 GiB | ARM (modelarts.bm.arm.24u.npu.1snt9b)”，设置时长“1小时”，点击确定，启动部署。3.前往 “模型推理-->在线推理”列表页面可查看推理服务的基本情况。如模型服务状态已停止，请点击操作列“启动”按钮开启服务。4.前往ModelArts管理控制台，选择“模型评测-->实时对比”，进入“实时比对”操作页面。点击“服务对比”，选择“Qwen3-8B推理服务”，“医疗行业-Qwen3-8B-微调推理服务”两个服务。5.输入问题“请输出八珍汤的方剂组成、治疗症状以及出处？”，可以看到微调后的模型对于方剂组成增加了克数的回答，且对于治疗症状描述的更加丰富。2.6删除实验资源*案例体验完成后，必须删除推理服务和OBS资源，避免后续产生不必要的费用，删除后保证金会退回账户，可自行选择是否提现。1.实验结束后，为避免后续不必要的计费，请停止在线推理服务。前往 “模型推理 > 在线推理”列表页面，找到服务“医疗行业-Qwen3-8B-微调推理服务”、“Qwen3-8B推理服务”，分别点击操作列“停止”按钮停止服务。2. 实验结束后，点开OBS桶列表，点击之前创建的桶名称，进去之后一 一删除桶下面的各个文件夹，再回到桶名称这里，点击右边删除按钮。   【训练营小tip】如您在案例实操过程中遇到问题或有改进建议，可以在开发者训练营群内反馈，我们会及时响应处理，谢谢！欢迎扫码，加入华为云Inspire创想者大会实战训练营技术交流群扫码获取更多训练营资讯 

本案例将基于华为云ModelArts RLaaS强化学习平台训练数学问答模型，训练过程中支持模型调用代码沙箱工具验证回答问题准确性，提升模型学习效率。通过该案例实践，帮助用户快速熟悉强化学习训练流程，了解强化学习工具调用以及训练过程中关键指标。一、概述1.1适用对象个人开发者高校学生企业开发者1.2案例流程强化学习（RL）是机器学习的核心分支，区别于监督学习（基于标注数据的拟合学习）和无监督学习（基于无标注数据的规律挖掘），强化学习的核心逻辑是：智能体（Agent）在与环境（Environment）的持续交互中，通过试错的方式获得奖励信号（Reward），并不断优化自身的行为策略（Policy），最终实现「累计奖励最大化」的目标。在大模型领域，强化学习是一种重要的后训练方式，相比监督微调（SFT）需要通过构造高质量思维过程数据训练模型，强化学习数据标注简单，通过奖励机制进行迭代优化，能够激发出模型的推理思考能力，通常相比SFT训练的模型能够有更强的泛化能力和更高的能力上限。ModelArts模型训推平台是华为云提供的面向开发者的一站式人工智能AI开发平台，致力于将AI技术转化为高效、易用的生产力工具。本案例将基于ModelArts RLaaS强化学习平台训练数学问答模型，流程如下：登录ModelArts控制台，进入强化学习界面，创建数学问答模型强化学习训练任务观察训练过程中的产物，如Rollout轨迹数据，训练过程的指标曲线等案例流程约1小时1.3 资源总览本实验需要用到算力资源，预计花费300元，可点击下方链接登记信息，免费领取代金券。资源名称规格单价ModelArts公共资源池NPU费用8*Snt9b2236.42元/小时cid:link_21.4 开通白名单注意，目前强化学习功能需开白名单才能使用，具体步骤如下：点击下方链接-右上角账户信息-我的凭证-复制IAM用户ID-填写至信息登记表https://account.huaweicloud.com/usercenter/?locale=zh-cn&agencyId=6e1b09ff3d4b4030ae82b8e037c0177a®ion=cn-north-4#/accountindex/accountInfo二、基于ModelArts平台预置资产创建强化学习训练任务2.1 前置操作按照1.4小节申请并通过白名单审批后，登录ModelArts控制台创建作业：cid:link_1首次使用ModelArts时需要进行相关依赖服务的授权，以下页面自动出现时，点击右下角“立即授权”按钮即可。接着，在左侧导航栏选择强化学习，点击空白处创建或右上角创建按钮。2.2 作业配置本案例中使用平台预置资产，涉及的镜像、模型、数据集和代码均由平台提供，用户可选择配置项后直接默认参数运行或修改部分训练参数。1.基本信息：自定义作业名称、描述、标签。2.作业配置：选择平台资产-->点击卡片选择模型3.选择模型：平台预置资产包含三个模型，本案例中选择Qwen3-4B-rLLM模型资产：该资产基于Qwen3-4B模型，在gsm8k数学问答数据集上做强化学习训练，并支持在训练阶段调用代码解释器工具提升回答准确性。4.算法策略：当前版本仅支持GRPO算法。5.训练方式：当前版本仅支持全量微调，即在强化学习训练过程中模型的全部参数均参与训练和更新。6.数据集：Qwen3-4B-rLLM模型资产：对应选择gsm8k数学问答数据集，该数据集由OpenAI发布，包含8500道高质量数学应用题，用于评估大语言模型的数学推理能力。7.训练参数每个资产已配置默认参数并给出参数说明，用户可根据实际情况调整参数值。默认参数训练时间较长，建议修改如下参数值，其他参数值不变，以减少训练时长，否则代金券额度不够，需要自付费最大输出长度：4096保存权重间隔：4总训练步数：68.工具配置Qwen3-4B-rLLM模型资产：使用CODE工具，该工具提供代码沙箱环境，用于运行大模型生成的代码，判断生成代码的正确性。使用该工具，大模型可以根据数学问题生成相应代码并运行，有助于提升回答准确性。9.产物存储 | 存储类型运行强化学习训练作业，会有相关的产物如日志、模型权重、轨迹数据等文件，需要创建一个OBS桶用于保存文件，点击创建桶跳转到配置页面，填写桶名，其他默认，点击立即创建。存储计费说明：cid:link_5注：代金券可覆盖实验所需存储费用，无需自付。 10.桶创建完成以后，回到配置页面，刷新后选择刚刚创建的桶-->新建文件夹，自定义名称-->选择文件夹-->点击确定 2.3 可观测配置可勾选tensorboard，支持在训练过程中观察强化学习训练过程中的指标曲线，如奖励函数值reward等。2.4 资源配置使用平台预置资产训练强化学习，资源池类型仅支持公共池，框架选择ray；Role包含head和worker，Qwen3-4B-rLLM模型单节点即可运行，可以只配置head，删除worker节点。2.5 日志对接LTS对接LTS后日志会上传到云日志服务（Log Tank Service，简称LTS）进行管理。您可以使用LTS对云服务日志进行关键词搜索、日志可视化分析、日志告警、日志转储等多种操作，配置日志组和日志流，选择已有或新建，若首次运行则需要点击“创建日志组”，可按默认值在右上角完成配置，点击右下角确定按钮创建，日志流也自动创建完成。日志组：日志组（LogGroup）是云日志服务进行日志管理的基本单位，用于对日志流进行分类，一个日志组下面可以创建多个日志流。日志组本身不存储任何日志数据，仅方便您管理日志流，每个账号下可以创建100个日志组。日志流：云日志服务是以日志流（LogStream）作为日志管理维度。日志采集后，以日志流为单位，将不同类型的日志分类存储在不同的日志流上，方便对日志进一步分类管理。完成配置后点击确认即可创建强化学习训练任务。日志流计费说明： cid:link_6注：代金券可覆盖实验所需存储费用，无需自付。三、观察训练产物3.1 使用tensorboard观察训练过程指标1.点击创建的强化学习任务进入详情页，左上方点击监控页面，选择tensorboard指标监控查看训练中各个指标的变化，当前仅支持在作业处于运行状态时查看；  2.主要观察critic/rewards/mean指标曲线，该指标反映了大模型在训练过程中回答问题的准确性，理想情况下随着训练的进行，回答准确率会逐步上升，该曲线也呈现波动上升趋势，下图样例是运行40step的结果，可以看到在训练10个step之后reward曲线基本趋于稳定，模型在该数学问答数据集上的准确率达到90%以上。3.2 观察rollout轨迹在使用平台预置模型训练时，点击创建的强化学习任务，可点击左侧Rollout轨迹，轨迹包含了训练数据信息和大模型推理过程中的输出，以及工具调用情况，方便用户在训练指标出现异常的情况下结合轨迹信息进行排查，其中system内容代表系统提示词；user代表样本数据，即当前要回答的数学问题；assistant代表模型输出内容，即代表大模型在解决数学问题的推理过程，这个过程中大模型可能会直接根据问题进行推理并给出答案，也可能先根据数学问题生成一段python代码并调用代码解释器工具运行，然后结合运行结果给出最终答案；tool代表工具调用结果。3.3 OBS输出产物1.训练完成后，控制台的作业状态变成已完成，点击作业名称-->记录任务ID（便于下面步骤查找）-->点击模型输出路径2.找到输出路径中以任务ID命名的文件夹，目录下包含4个文件夹——log：保存训练过程中的日志文件metrics：保存训练过程中的指标信息文件，即tensorboard可视化的原始数据文件model：保存训练过程中模型在进行参数更新后的权重文件rollout：保存的轨迹数据 四、资源释放*体验完成后，如果不想继续使用，请删除OBS文件，避免后续产生不必要的费用。操作步骤：点开OBS桶列表，点击之前创建的桶名称，依次删除桶内所有文件夹；返回桶列表页面，点击对应桶右侧的删除按钮完成删除。  【训练营小tip】如您在案例实操过程中遇到问题或有改进建议，可以在开发者训练营群内反馈，我们会及时响应处理，谢谢！欢迎扫码，加入华为云Inspire创想者大会实战训练营技术交流群扫码获取更多训练营资讯

您好，可以帮忙查看一下审批进度吗，3月底申请了现在还没有通过，谢谢。

  请问关于这个实验，部署过程中显示权限不足该怎么解决 

 在2026年，注塑行业的AI与MES（制造执行系统）融合解决方案已成为企业实现数字化转型、降本增效的核心驱动力。传统的MES主要侧重于数据的采集与流程管控，而万界星空“AI+MES”的融合则赋予了系统“思考”和“预测”的能力，从“事后记录”转向“事前预警”和“实时优化”。以下是基于当前行业趋势（2025-2026年）的深度融合解决方案全景解析：一、核心融合架构：从“数字化”到“智能化”现代注塑智能工厂的架构通常分为三层，AI渗透在每一层中：设备层（边缘侧）：注塑机、机械手、模温机等设备通过IoT网关实时上传高频数据（压力、温度、速度、振动等）。执行层（MES核心）：负责生产调度、质量管理、物料追溯。AI在此处进行实时逻辑判断。决策层（云端/大脑）：利用大数据模型进行长期趋势分析、排产优化和供应链协同。 二、五大关键应用场景AI工艺参数自优化（科-学注塑的终-极形态）痛点：传统调机依赖老师傅经验，换模调试时间长，参数波动导致废品。AI+MES方案：    自适应调机：系统采集历史成功成型的数据（黄金曲线），利用机器学习算法（如神经网络+遗传算法），在新模具或新批次原料上线时，自动推荐初始工艺参数。    实时闭环控制：在生产过程中，AI实时监控熔体压力、射胶速度等关键曲线。一旦检测到微小偏差（如原料粘度变化），系统在毫秒级内自动微调参数，无需人工干预，确保产品一致性。    成效：调试时间缩短50%以上，废品率降低至3%以下，成型周期缩短5%-10%。预测性维护与设备健康管理痛点：非计划停机导致交期延误，维修成本高。AI+MES方案：    故障预判：融合振动、温度、电流等多维传感器数据，AI构建设备剩余寿命预测模型。例如，提前48-72小时预警螺杆磨损、液压油泄漏或加热圈故障。    自动工单：MES系统在预测到故障风险时，自动生成预防性维护工单，并锁定该设备排产，避免生产中途停机。    成效：非计划停机率降低40%以上，设备综合利用率（OEE）提升至85%。智能质量追溯与视觉检测（AI-QMS）痛点：人工质检效率低、漏检率高，质量问题难以追溯到具体工艺时刻。万-界-星-空AI+MES方案：    在线视觉检测：集成AI视觉相机，对产品进行360度外观检测（飞边、缺料、黑点、尺寸），识别准确率>99.9%。    因果关联分析：当发现不良品时，MES自动回溯该产品生产时刻的所有工艺参数（如当时的模温、保压时间），利用AI分析出导致缺陷的根本原因（Root Cause），并反向修正工艺。    成效：实现“一物一码”全生命周期追溯，质量成本大幅降低。动态智能排产（APS+AI）痛点：注塑订单碎片化，换模频繁，传统排产难以应对插单和急单。AI+MES方案：    多目标优化：AI算法综合考虑模具状态、机台吨位、颜色切换顺序（减少洗机时间）、交货期、能耗成本等多个约束条件。    动态调整：当发生设备故障或紧急插单时，系统在分钟级内重新计算最优排产方案，并下发至机台。    成效：计划达成率提升30%，换模等待时间减少20%。能源管理与双碳优化痛点：注塑是高能耗行业，电费占比高，碳排放压力大。AI+MES方案：    能效模型：AI分析不同产品、不同工艺下的单位能耗模型，识别“能耗异常点”。    绿色调度：在满足交期的前提下，AI建议将高能耗工序安排在低谷电价时段，或优化加热冷却策略以降低峰值功率。    成效：整体能耗降低15%-40%。三、 实施路径与挑战应对对于注塑企业而言，落地AI-MES并非一蹴而就，建议遵循以下路径：基础构建：首先实现设备联网与数据采集（如OPC UA协议），打通MES与ERP的数据孤岛，建立统一的数据底座。这一步的核心是“数据在线”。场景切入：选择痛点最明确、价值最直接的场景切入，如“智能参数推荐”或“质量在线检测”。快速见效，建立信心。模型迭代：初期AI模型可能存在偏差，需建立“人机协作”机制。允许老师傅修正AI建议，修正数据反向训练模型，使模型越用越准（即“反向修正”机制）。文化变革：培养既懂工艺又懂数据的复合型人才。引入低代码AI平台，让工艺工程师也能参与模型训练，同时加强网络安全防护，采用零信任架构保障系统安全。总结2026年，AI与MES的融合已进入深度协同的新阶段 。对于注塑企业，这不仅是技术的升级，更是管理范式的重塑——从依赖“老师傅的大脑”转向依靠“AI+数据”的智能决策系统。谁能更快实现AI与MES的深度融合，谁就能在质量、效率和成本控制上获得决定性的竞争优势，最终构建起面向未来的、具有“自愈、自优、自适应”能力的智能工厂。

 在2026年，装配行业（如汽车零部件、电子组装、机械设备、机器人等）的MES选型已进入“AI原生”与“体验优先”的新阶段。传统的“记录型”MES已无法满足多品种、小批量、高混线生产的敏捷需求。以下是针对2026年装配行业MES选型的深度指南，万界星空AI MES、装配组装行业智能化MES、重点解析如何融入AI功能及主流解决方案。 一、2026年装配行业MES选型的三大核心维度在2026年，选型逻辑已从“功能有无”转向“智能决策能力”和“用户体验”。1. 技术架构：云原生 + AI内生云原生微服务架构：2026年的主流MES必须基于云原生（Cloud-Native），支持混合云部署。这能确保系统在面对产线快速调整时，模块可独立扩展，部署周期比传统单体架构缩短40%以上。AI内生（AI-Native）：AI不再是外挂插件，而是内置于核心流程。系统需具备实时异常检测、设备预测性维护和动态排程能力，利用大模型（LLM）处理非结构化数据（如维修日志、质检图片）。2. 行业适配性：离散制造的柔性基因装配行业特点是BOM复杂、工艺变更频繁。柔性排程：必须能应对“插单”和“急单”，AI算法需综合考虑设备状态、物料齐套率、人员技能矩阵，秒级生成最优计划。全流程追溯：从原材料到成品的“一物一码”，特别是在汽车和电子行业，需满足合规性要求（如电池护照、碳足迹追踪）。3. 用户体验：从“可用”到“好用”低代码/零代码配置：业务人员可通过拖拽调整工艺流程，无需IT深度介入。交互智能化：支持语音交互查询生产数据、AR眼镜辅助装配（显示3D作业指导书）、移动端实时审批。二、2026年MES中必须落地的四大AI核心场景1. AI智能排产 (Advanced Planning & Scheduling with AI)痛点：人工排产无法兼顾数百个约束条件，导致换线频繁、交付延期。AI解决方案：利用强化学习算法，根据订单优先级、设备实时负荷、物料到货情况，动态生成“滚动式”生产计划。效果：据2025-2026年行业数据，AI排程可帮助装配企业缩短28%的订单交付周期，提升15%的设备综合效率（OEE）。2. AI视觉质检与质量预测痛点：人工目检漏检率高，事后质检无法阻止废品产生。AI解决方案：在线视觉检测：集成深度学习模型，实时识别装配缺陷（如螺丝未拧紧、标签贴歪、焊点不良），准确率超99.5%。质量参数预测：分析历史生产参数（温度、压力、扭矩），预测潜在质量风险，在缺陷发生前自动调整设备参数。3. 设备预测性维护 (Predictive Maintenance)痛点：意外停机导致整条装配线瘫痪。AI解决方案：通过边缘计算采集设备振动、电流、声音等多维数据，利用AI模型预判故障（如轴承磨损、电机异常）。价值：将“事后维修”转变为“视情维护”，减少非计划停机时间30%以上。4. 智能工艺助手 (Copilot for Operators)痛点：新员工培训周期长，复杂装配易出错。AI解决方案：生成式AI SOP：系统根据BOM和工艺路线，自动生成图文并茂甚至3D动画的作业指导书（eSOP）。智能问答：一线工人可通过语音询问“这个扭矩标准是多少？”，AI助手即时调取最新工艺规范。