3月16日，浙江大学区块链与数据安全全国重点实验室联合浙江大学鲲鹏昇腾科教创新卓越中心，正式上线DeepSeek-R1大模型671B版本，并实现基于昇腾的全国产化本地部署。平台深度融合智能体技术，面向高校科研场景设计，确保实验数据全流程加密存储与跨团队安全共享，为师生提供安全可控的智能研究工具，积极探索高校探索AI时代有组织科研新路径。
全重实验室团队与华为技术专家通过全国产软硬件环境完成了从研发到部署的全流程突破，构建“国产算力+场景深耕+安全赋能”的三维创新体系。面向高校科研场景，无论是数据搜索查询，还是科研前沿追踪，或者是代码片段修正，全重实验室DeepSeek本地化部署实验平台均能满足需求，堪称“科研全能助手”。同时还确保实验数据全流程加密存储与跨团队安全共享，有效减少了数据泄露的风险。
全重实验室DeepSeek本地化部署实验平台通过软硬件协同优化、大模型安全评测与加固、内容安全增强三大核心策略，不仅显著提升了模型的性能和能效，还构建了全方位安全增强方案和内容安全防护体系，形成完整闭环的安全技术链条，在确保安全性和可控性的前提下，为学术研究和产业发展提供坚实的基础设施支撑。
01
软硬件协同优化
✦
软硬件协同优化技术
针对大模型应用访存密集的特点，构建基于近存计算（Processing-in-Near-Memory, PNM）的软硬件协同大模型优化平台，重点研究如何利用新型存储技术和专用加速器来优化大规模AI系统的训练和推理过程。通过挖掘存储单元中的加速器，将部分计算任务卸载至这些加速单元，以突破传统访存瓶颈并显著提高能效，从而进一步提升大规模AI模型的性能。随着深度学习模型规模和复杂度的不断增加，现有的内存带宽和延迟问题成为限制系统性能的关键因素。通过引入近存架构，在靠近内存的地方进行高效的计算，减少数据传输开销，极大改善系统的整体性能。
02
大模型安全评测与加固
✦
大模型安全评测与加固
通过研发动态攻防对抗的安全评测框架，设计红蓝对抗双引擎，红队采用多元化攻击手段模拟真实威胁，蓝队通过协同多种防御技术实现动态防护；探索多阶段安全对齐训练方法，整合面向内容安全的模型精调、价值对齐、规则强化等技术；针对大模型的开发运行环境，研究软件供应链安全风险的识别方法，研发框架安全漏洞的挖掘技术。通过构建面向大模型的攻防对抗、加固训练、漏洞诊断、效果验证的完整闭环安全技术链条，形成覆盖模型开发、部署、运维全生命周期的安全增强方案，为本地化部署的大模型提供全方位安全保障。
03
内容安全增强
✦
内生安全增强大视觉语言模型
构建基于大模型能力的“智能内容安全防护体系”，通过强化学习驱动的动态对抗训练框架，实现对多模态合成内容与违规数据的精准识别与风险控制。该体系在大规模预训练模型基础上，建立两阶段协同优化机制：第一阶段通过海量合规与违规数据预训练，构建多模态编码器的高维特征表征能力；第二阶段部署智能生成器模块，持续模拟复杂攻击场景生成对抗性样本，驱动鉴别器模型动态优化审查策略。通过强化学习的策略梯度算法，实现生成器与鉴别器参数的同步迭代调优，使模型在应对数据分布偏移和新型攻击模式时，持续提升审查泛化能力。平台依托全国产化软硬件技术栈，构建从数据预处理、特征对齐到模型推理的全流程可信计算环境，将支持灵活加载领域定制化审查规则，快速构建兼顾精准性与适应性的内容安全解决方案，可为高校学术研究、产业产品研发提供安全可控的基础设施支撑。
全重实验室将持续深化AI技术的应用实践，打造更加智能、高效的服务体系，进一步推动教学研究的数字化转型，为建设自主大模型平台贡献力量。同时浙江大学鲲鹏昇腾科教创新卓越中心将持续提供鲲鹏和昇腾平台为底座的算力支持，围绕大学计算产业前沿课题研究、课程体系建设、研究人才培养等方面展开合作，源源不断为产业输出高质量卓越科技人才，孵化和培育根植中国的世界级科研创新成果。