引用本文
周光元, 方振东, 王红娜, 蒋辉, 白林坤. 海上油田录井专有大语言模型OffshoreGPT的构建与部署[J]. 录井工程, 2026,37(1): 1-7.
ZHOU Guangyuan, FANG Zhendong, WANG Hongna, JIANG Hui, BAI Linkun. Design and deployment of OffshoreGPT, a specialized large language model for offshore oilfield mud logging[J]. Mud Logging Engineering, 2026,37(1): 1-7.
Doi:10.3969/j.issn.1672-9803.2026.01.001  
Permissions
Copyright©2026, 《录井工程》杂志社
《录井工程》杂志社 所有
海上油田录井专有大语言模型OffshoreGPT的构建与部署
周光元, 方振东, 王红娜, 蒋辉, 白林坤
中法渤海地质服务有限公司

作者简介：周光元 工程师,1990年生,2016年毕业于天津科技大学检测技术与自动化装置专业,现在中法渤海地质服务有限公司从事算法研究与信息化项目开发工作。通信地址：300457 天津市经济技术开发区信环西路19号天河科技园1号楼7层。E-mail：zhougy@cfbgc.com

收稿日期: 2026-01-12
摘要

为提升海上油田录井作业的实时数据解析与智能化水平,构建了面向录井任务的大语言模型OffshoreGPT。该模型依托7 405条结构化领域段落和约6 000条高质量“问答对”进行预训练,并结合监督式微调与指令微调策略,提升了领域术语解析与专业文本生成能力,且全流程训练在配备多卡GPU的高性能服务器环境中完成,可确保在复杂工况下具备稳定性与快速响应能力。测试结果表明,OffshoreGPT在领域知识问答和故障诊断任务中的BLEU-4得分提高81.77%,ROUGE-L得分提高 63.43%,在模拟录井场景中能够实时识别关键作业事件并生成风险提示,从而提高作业准确性与安全性,减少人工干预。该模型在现场技术支持中表现出良好的适配性,表明其在海上油田录井作业智能化应用中兼具可行性与优势。

关键词: OffshoreGPT; 大语言模型; 海上油田; 录井作业; 监督式微调; 指令微调
中图分类号:TE132.1 文献标志码:A
Design and deployment of OffshoreGPT, a specialized large language model for offshore oilfield mud logging
ZHOU Guangyuan, FANG Zhendong, WANG Hongna, JIANG Hui, BAI Linkun
China France Bohai Geoservices Co., Ltd., Tianjin 300457, China
Abstract

To enhance the real-time data analysis and intelligence level of offshore oilfield mud logging operations, a large language model OffshoreGPT for mud logging tasks has been constructed. This model was pre-trained based on 7 405 structured domain paragraphs and approximately 6 000 high-quality "question-answer pairs". The Supervised Fine-Tuning and Instruction Tuning strategies are combined to improve the domain term analysis and professional text generation ability. And the full-process training is completed in a high-performance server environment equipped with multiple GPU cards, ensuring stability and fast response capabilities under complex working conditions. The test results show that OffshoreGPT has achieved an increase of 81.77% in BLEU-4 score and 63.43% in ROUGE-L score in domain knowledge questions and answers and fault diagnosis tasks. In the simulated mud logging scenarios, it can real-time identify key operational events and generate risk alerts, thereby improving operational accuracy and safety while reducing manual intervention. The model has shown good adaptability in on-site technical support, indicating that it is both feasible and advantageous for the intelligent application of mud logging operations in offshore oilfields.

Keyword: OffshoreGPT; large language model; offshore oilfield; mud logging operation; Supervised Fine-Tuning; Instruction Tuning
0 引言

近年来, 随着油气勘探开发不断向深水、深层及复杂地质环境延伸, 录井作为现场地质监测与综合信息服务的重要环节, 在保障钻井安全、提高勘探效率等方面发挥了关键作用[1]。在海上油田录井行业中, 作业环境多变、实时性要求高, 涉及的数据类型多样且专业性强, 对信息解析的准确性、知识获取的全面性以及决策支持的可靠性提出了更高要求。然而, 受制于现有信息处理模式在多源异构数据融合、领域知识表达以及智能化决策能力等方面的不足, 传统方法难以满足行业对高效、稳定和可扩展智能化系统的需求。

针对以上问题, 已有研究通过构建地质工程一体化平台和井场决策支持系统, 实现了钻探、测井、录井等环节的数据共享与协同分析, 为多源数据融合奠定了基础[2, 3]。但因这类系统在复杂工况下仍依赖人工判断, 且对专业技术文档的利用率较低, 制约了知识获取的深度与广度。与此同时, 机器学习方法在钻井工程数据预测中表现出较高精度, 已成为工程优化的重要工具[4], 且大语言模型在非结构化文本处理与结构化转化中展现了优势[5], 显著提升了信息提取与利用的效率。

行业调研表明, 大语言模型在智能问答、工况诊断、风险预测等领域具有广阔应用前景[6], 融合“人工智能与地质-工程”双闭环模式的优化系统已在现场验证了提升钻井效率与安全性的可行性[7]。总体来看, 现有成果虽在数据融合、智能分析与工程优化方面取得了显著进展, 但在海上油田录井领域, 仍缺乏兼具专业术语理解、复杂工况适应与实时响应能力的整体解决方案。

本文基于通用大模型微调训练一个专为海上油田录井作业设计的大语言模型——OffshoreGPT, 并构建了录井专家助手系统。通过领域语料微调与指令优化, 赋予其术语解析、作业事件识别与风险提示等全流程能力, 以期为海上录井作业的智能化升级提供技术路径与实践参考。

1 方案设计及工作流程

录井专家助手系统整体架构包括数据构建、大模型微调、用户输入处理及答案生成与展示4个核心模块, 构成完整的智能问答工作流程。

1.1 数据构建模块

系统通过人工整理录井相关文献与技术资料, 提取并构建标准化的“问题-答案对”（简称“问答对”）。这些“问答对”涵盖了录井作业的关键知识点, 为大语言模型的微调训练提供了高质量数据支撑, 可确保模型具备针对性语言理解与生成能力。

1.2 通用大模型优化微调模块

OffshoreGPT模型是在通用大语言模型基础上, 通过领域数据微调优化形成的专用模型。在完成“问答对”构建后, 在微调大模型的服务器上先选取Qwen通用大语言模型作为基础模型, 在未进行领域微调的状态下作为“微调前模型”基线; 随后, 利用构建的录井领域问答数据, 对基础模型实施监督式微调与指令微调, 完成模型的领域适配与性能优化, 形成最终的OffshoreGPT模型。通过上述微调过程, 使模型在录井领域的术语理解、知识表达和工程语言规范性方面得到显著提升, 生成的回答更加准确、专业, 为后续“微调前后性能对比分析”提供了清晰、可复现的技术基础。

1.3 用户输入处理模块

用户通过平台界面输入自然语言问题, 系统自动对输入内容进行解析、向量化处理, 并调用微调后的大语言模型进行语义推理, 生成与提问高度匹配的技术答案。

1.4 答案生成与展示模块

生成的答案在系统前端模块中经过标准化处理, 以清晰、结构化的方式呈现给用户, 同时保留模型溯源能力, 支持对答案依据的查询与校验, 提升了系统的可解释性与可靠性。

2 关键技术与功能实现

录井领域中存在专业术语稀疏、语境依赖性强及多任务混合（如实时监测、故障诊断、日志生成等）的特点, 通用大语言基础模型在无针对性优化的情况下, 往往难以生成符合工程需求的响应。为此, 本研究提出一种基于领域数据驱动的大语言模型双阶段微调方法, 结合监督式微调（Supervised Fine-Tuning, SFT）与指令微调（Instruction Tuning）, 以高质量录井领域问答数据集为核心, 对通用大语言基础模型进行领域定向优化, 构建形成面向海上油田录井作业的 OffshoreGPT模型, 从而实现领域知识的高效迁移与任务适应能力提升。

基于大模型的微调方法的创新性主要体现在：①首次将大语言模型技术应用于海上油田录井作业场景; ②针对录井行业特有的术语体系和作业规范定制语料构建方案; ③在双阶段微调过程中引入工程任务导向的指标监控与人工评审环节, 从而兼顾模型的生成质量与现场可用性。

2.1 数据集构建

随着物联网、数据中台和人工智能等新兴技术的快速发展, 以及各大能源企业数字化转型进程的加快, 数据资源在钻探企业中的价值日益凸显, 已成为业务智能化升级的重要支撑基础[8]。在此背景下, 为实现 OffshoreGPT在海上油田录井作业场景中的有效应用, 必须依托高质量的领域语料数据对模型进行针对性微调。

本文以录井工程领域的权威文献为基础, 构建了一个覆盖内容广泛、结构规范、语义清晰的问答型数据集, 作为模型微调阶段的核心训练语料。通过文本分段、知识提取、语义标注等标准化处理流程, 最终生成7 405条结构化知识片段作为后续“问答对”构建的基础单元。通过先进行规范化分段、再开展“问答对”构建, 能够有效避免知识点混杂或语义重叠, 从而为模型微调提供结构清晰、语义一致的训练数据, 为模型的专业适应性提供坚实支撑。

2.1.1 数据来源与原始分段提取

本研究使用的数据来自13部典型的录井及相关领域教材与技术手册, 涵盖地质录井、地球物理测井、试井解释、钻井工程、生产评价等多个方面。由于原始文献均为PDF格式, 无法直接读取内容, 本文采用OCR识别的方式提取正文内容, 并加以人工校核, 以确保提取内容和原始PDF文档中的内容一致。合理的分段是确保每个段落内容独立且完整的关键, 这对于后续模型训练至关重要。通过精确的分段, 能够帮助模型更好地理解每个问题的细节, 提升训练效率和答案的准确性。为了确保文本数据实现结构化, 依据以下3个分段原则进行合理分段。

（1）语义单元：每个段落围绕一个明确的技术问题或操作步骤展开, 确保段落的主题清晰、独立[9]。

（2）内容逻辑结构：根据文献的章节和小节结构进行分段, 确保每个段落的内容与文献的逻辑结构相符合, 使每个分段聚焦于一个完整的技术主题或过程。

（3）操作步骤与流程：对于涉及操作流程或技术步骤的内容, 确保每个步骤作为一个独立段落处理, 从而避免信息过于密集, 确保清晰、简洁。

在处理文献分段时, 优先选取技术原理清晰、结构完整、具备直接指导意义的段落, 避免冗余表述与纯背景性描述, 以确保每个分段对应一个明确的知识点。最终完成7 405条结构化段落的提取, 其统计信息如表1所示。

表1 录井领域文献数据来源与分段统计

2.1.2 “问答对”构建流程

在问答数据构建阶段, 每一个分段被视为一个独立的知识片段, 用于设计与其语义内容高度对应的问题与标准答案。研究团队结合海上油田录井作业实际, 围绕“基础概念理解”“参数意义解析”“仪器设备原理”“作业流程规范”“常见异常处置”等关键主题, 分别设计标准问答模板。所有“问答对”均由录井专业人员审核, 确保技术准确性与语言规范性。具体控制措施包括：

（1）术语统一规范表达：对涉及的关键专业术语、测井参数、地层名称、单位符号等进行统一表述与术语规范处理, 避免同义异写或歧义情况出现。

（2）结构格式标准化：所有“问答对”均遵循统一格式进行结构化标注, 便于后续在微调模型中直接调用, 确保输入一致性, 提高大模型训练的效率。

（3）文本标准化：去除冗余格式信息（如页眉页脚、图号索引等）, 将问答数据统一组织为标准JSON格式, 便于模型解析与输入。

最终共构建“问答对”约6 000条, 覆盖录井全流程关键知识点, 构建的“问答对”部分示例如表2所示。

表2 模型训练“问答对”示例（部分）
2.2 模型微调

为提升模型在海上油田录井场景下的专业表达与任务适应能力, 本文采用了双阶段微调策略：首先基于高质量“问答对”进行监督式微调, 使模型掌握基础术语和典型流程; 随后进行指令微调, 通过任务角色引导与响应格式控制, 进一步提升模型的语言控制能力与现场适用性。

2.2.1 监督式微调

监督式微调是一种常用的大语言模型定向训练方法, 其原理是利用大规模成对“输入-输出”样本（如问题与答案）对模型进行参数优化, 使其在特定领域生成符合任务需求的高质量文本。本研究中, 监督式微调的目标是使模型掌握录井领域的基础术语、典型作业流程及故障处理逻辑, 为生成高质量答案奠定语义基础[10]。

本阶段训练语料为2.1节构建的约6 000条高质量“问答对”, 涵盖地质录井、地球物理测井、油气层解释、设备异常等核心知识点。在具体训练实施过程中, 首先将上述“问答对”划分为训练集与验证集, 用于模型参数优化与训练过程监控; 随后配置训练参数, 在DeepSpeed框架下加载通用大语言模型, 并采用ZeRO-3分布式并行策略开展监督式微调。

在训练过程中, 每一条“问答对”被组织为以问题文本作为模型输入、以对应答案作为期望输出的监督样本, 模型在给定问题条件下采用自回归方式逐 token（文本处理的最小计量单元）生成回答, 并通过最小化生成结果与标准答案之间的损失, 对模型参数进行迭代更新, 从而逐步学习并掌握录井领域的专业知识表达与工程化回答模式。

训练环境与参数配置如下：

（1）训练环境：采用4张NVIDIA A800 GPU（单卡显存80 GB）, 总显存320 GB。

（2）训练策略：采用DeepSpeed ZeRO-3分布式策略, 对参数与梯度进行分片存储与调度, 以降低显存占用。

（3）主要训练参数：微调轮次为3, 学习率为0.001, Batch Size（批次大小）为16。

（4）训练效率：总训练时间约8 h, 单轮约2.6 h。

2.2.2 指令微调

在完成监督式微调后, 模型具备了初步的领域表达能力, 但面对复杂问题、模糊语义或场景变化时仍存在不足。为此, 引入指令微调提升模型的任务适应性与语言生成规范性。指令微调是监督式微调的一种具体形式, 其基本原理是在训练样本中嵌入明确的任务指令, 引导模型按预设行为进行应答, 从而提升其对问题意图的理解与多样化任务的响应能力[11]。在本研究中, 指令微调阶段所使用的数据仍来源于2.1 节构建的录井领域问答数据集, 通过统一的指令模板与角色定义, 对原有问答样本进行结构化重组, 构造适用于指令微调的训练样本。

本阶段设计了面向“石油行业专家”的角色指令模板, 并将其嵌入微调数据中, 明确指导模型如何判断问题属性、组织语言风格、提供推理链条或表达不确定性。指令微调的关键规则包括：

（1）判断问题是否与石油/录井相关, 无关则简洁回应, 有关则严格引用知识源。

（2）若无匹配资料, 则输出标准回应：“很抱歉, 我们暂时没有找到相关资料”, 并附以建议性信息。

（3）避免编造、重复问题内容, 逻辑清晰、使用标准术语与格式。

（4）涉及公式时使用Latex语法, 以提升表达规范性。

基于上述关键规则, 本研究构建了统一的角色指令模板, 其具体指令内容如下：

作为一名石油行业专家, 请遵循以下规则：判断问题是否与石油或相关领域（如地质学）相关, 若无关, 简洁作答, 若有匹配答案, 直接引用已知信息, 不删减; 若资料为空, 则回复“很抱歉, 我们暂时没有找到相关资料”, 并补充“虽然目前没有直接的答案, 以下信息可能对你有帮助”, 同时后附建议; 禁止编造, 保证内容逻辑严谨; 避免复述问题; 涉及公式时, 使用Latex语法表示, 行内使用“$”, 行间使用“$$”。

指令微调通过为模型提供清晰、结构化的任务指令, 能够有效提升模型在面对复杂场景和多样化问题时的表现。此方法确保了OffshoreGPT能够在海上油田录井作业中提供准确、高效的智能支持。

2.2.3 训练监控与效果观察

为确保训练过程的稳定性和结果的可控性, 本文构建了一个包含多维度评估与实时监控的训练管理体系。该体系从4个方面对模型微调过程进行综合控制, 重点防止欠拟合和过拟合, 确保最终模型能够在实际应用中提供高质量的响应。

（1）Loss（损失函数）监控：在训练过程中, 实时记录训练集和验证集的Loss变化趋势, 及时发现训练过程中的异常波动, 防止模型陷入欠拟合或过拟合的困境。

（2）BLEU（Bilingual Evaluation Understudy）评估：主要用于评估模型生成的文本与参考文本之间的相似度, 检查模型是否准确地生成了正确的术语和短语[12]。本文应用BLEU-4指标进行评估。

（3）ROUGE（Recall-Oriented Understudy for Gisting Evaluation）评估：该指标用于衡量模型在生成文本时的信息召回能力, 检查模型是否能够完整地覆盖问题的各个方面[13]。本文应用ROUGE-L指标进行评估。

（4）人工审核机制：尽管自动评估指标能够提供量化参考, 但为进一步保证生成答案的质量与实际应用价值, 在训练过程中引入了人工审核机制。每轮训练完成后, 从验证集随机抽取部分问题, 由微调后的模型生成答案, 并交由具备丰富录井现场经验的工程师进行评估。审核内容涵盖5个方面：①术语准确性, 检查模型回答中石油录井专业术语的使用是否准确, 表达是否符合行业标准; ②逻辑合理性, 判断回答是否符合技术逻辑, 推理过程是否清晰、严谨; ③表达清晰度, 评估语言表述是否简洁明了, 避免晦涩难懂或冗长重复; ④现场适用性, 确认答案是否契合录井作业实际, 能否解决现场工程师遇到的具体问题, 从实践视角综合评估模型的有效性, 确保输出内容不仅在理论上正确, 而且具备在录井作业中直接应用的可行性; ⑤推理延迟评估, 用于衡量模型生成答案的平均响应时间, 反映其在实时应用场景中的处理速度。

2.3 微调效果评估

为全面评估OffshoreGPT在海上油田录井作业中的应用效果, 本文从模型生成质量和量化评估指标两个方面, 对模型微调前后性能表现进行了对比测试。评估任务覆盖常规录井理论、设备原理解析、现场操作流程、故障诊断等典型场景, 旨在量化验证双阶段微调策略对模型实际应用能力的提升效果。

2.3.1 模型生成质量对比分析

表3展示了模型在“什么是迟到时间校正”这一现场常见问题下, 微调前与微调后生成回答的对比结果。未基于录井专业数据进行微调的通用大语言模型往往给出内容宽泛、结论模糊的回答, 而基于录井专业数据微调后的OffshoreGPT模型能够精准识别问题, 给出迟到时间校正方法及具体计算过程, 体现出良好的专业判断能力与表达清晰度。

表3 微调前后模型生成回答示例对比

2.3.2 量化评估指标效果分析

为验证OffshoreGPT 的领域适应性与工程应用价值, 本研究构建了独立测试集, 包括 300 条未参与训练的样本, 覆盖地质录井、物理测井、油气层解释、设备异常等常见作业场景, 以确保评估结果具有代表性与真实性。测试任务分为两类：①领域问答任务（QA）, 考察模型对专业术语、原理及作业规范的理解与生成能力; ②故障诊断任务（FD）, 评估模型对典型录井作业故障的诊断能力及处理建议的准确性。

在相同测试集上对模型进行微调前后对比, 结果如表4所示。分析结果表明, 经过监督式微调与指令微调, 模型Loss降低99.72%, BLEU-4和ROUGE-L分别提升81.77%和63.43%, 生成内容与参考答案的一致性和关键信息覆盖率显著增强; 同时响应延迟下降37.30%, 提升了交互效率。人工评分显示, 微调后的模型在逻辑条理性和专业术语使用规范性方面均达到现场应用标准。

表4 微调前后模型主要性能指标对比

为进一步验证微调后的OffshoreGPT的优势, 选取通用大语言模型LLaMA2-13B作为基线, 在相同硬件与数据条件下进行测试, 结果如表5所示。

表5 OffshoreGPT与基线模型性能对比

可以看出, OffshoreGPT在领域问答和故障诊断任务中均显著优于基线模型, BLEU-4和ROUGE-L提升幅度在25%~35%之间, 充分体现了其在录井领域的专业适应性与工程可用性。

2.3.3 现场部署验证

OffshoreGPT模型已部署于录井作业支持平台, 并在真实生产环境下开展了为期7 d的现场试运行。在持续接入实时录井数据流的条件下, 模型整体运行稳定, 平均响应时间为0.93 s, 与实验室测试环境下的性能表现基本一致, 未出现明显的时延波动或异常中断现象。如图1所示, 当海上作业人员想查找传感器故障判断清单, 通过录井专家助手系统可以快速找到相对应解决办法。

图1 录井专家助手系统问答界面

在实际应用过程中, 该模型能够针对现场工况变化及时生成故障诊断分析与作业建议。经现场工程师综合评估, 模型在故障识别与作业建议生成方面的正确率约为92.5%, 其输出内容在专业术语使用、技术逻辑及表达规范性等方面均与现场作业标准高度一致。上述结果表明, 本文所提出的OffshoreGPT模型在真实录井作业环境中具备良好的稳定性、可靠性与工程适用性, 能够为现场决策支持提供有效的智能辅助。

3 结论与展望
3.1 结论

本文提出了一种面向海上油田录井作业的大语言模型OffshoreGPT, 并围绕数据集构建、模型微调、微调效果评估3个方面进行了系统研究与实践验证。性能评估结果表明, OffshoreGPT在监督式微调与指令微调的作用下, 实现了对录井领域知识的有效迁移与模型性能的显著提升。进一步地, 通过在真实录井作业支持平台中的现场试运行验证, 该模型在响应效率、诊断准确性及术语规范性等方面均表现出良好的工程适用性与运行稳定性。基于综合实验评估与工程应用结果可以看出, OffshoreGPT在技术可行性与实际应用价值两个层面均具有良好的表现, 为录井作业的智能化与自动化升级提供了切实可行的技术支撑。

本研究不仅针对海上油田录井场景的专业知识表达和任务适配性进行了技术路线优化, 还形成了一套可在实践中推广的基本框架, 即基于双阶段微调的领域定制大语言模型构建方案。该框架可迁移至其他需要快速响应和高精度知识生成的工业监测场景, 如钻井工程实时监控、生产安全预警等, 为通用大语言模型在垂直行业落地提供了可行的参考路径。

3.2 展望

尽管本研究已取得阶段性成果, 但在面对更复杂多变、非结构化的实际工况时, 仍有若干关键问题值得深入探讨与优化。为进一步推动OffshoreGPT的应用与发展, 以下几项改进方向亟待关注：

（1）跨任务、多领域迁移能力构建：结合多任务学习与连续微调机制, 将模型能力逐步扩展至钻井、试井、完井等其他油田作业环节, 推动构建“全流程智能辅助系统”, 实现录井智能化平台的系统集成与一体化应用。

（2）工程部署与适配优化：针对海上平台环境的网络、算力与接口限制, 后续可开发轻量级版本模型或结合边云协同部署策略, 实现模型在更多平台与系统中的快速接入与低成本应用。

总之, OffshoreGPT为现场录井作业的自动化、智能化升级提供了坚实的技术基础。随着数据资源不断丰富、模型架构持续优化以及工程需求的持续推动, 其在油田智能化转型中的应用场景将会不断地扩展, 具备广阔的发展前景与推广价值。

编辑 陈 娟

参考文献
[1] 张敬渲. 录井企业生产经营综合管理系统开发与应用[J]. 录井工程, 2025, 36(1): 1-8.
ZHANG Jingxuan. Development and application of an integrated management system for production and operation of mud logging enterprises[J]. Mud Logging Engineering, 2025, 36(1): 1-8. [本文引用:1]
[2] 任泽坤, 王舒迟, 刘欢, 等. 油气勘探开发地质工程一体化平台研发与应用[J]. 录井工程, 2024, 35(3): 1-10.
REN Zekun, WANG Shuchi, LIU Huan, et al. R&D and application of geology-engineering integration platform for oil-gas exploration and development[J]. Mud Logging Engineering, 2024, 35(3): 1-10. [本文引用:1]
[3] 贾鹏. 基于“井工厂”模式的井场一体化决策支持平台的研发与应用[J]. 录井工程, 2024, 35(4): 1-7.
JIA Peng. Research and development of wellsite integration decision support platform based on "well factory" model[J]. Mud Logging Engineering, 2024, 35(4): 1-7. [本文引用:1]
[4] 王重云. 数据治理在钻探企业的应用与探索[J]. 录井工程, 2024, 35(4): 8-13.
WANG Zhongyun. Application and exploration of data governance in the drilling enterprises[J]. Mud Logging Engineering, 2024, 35(4): 8-13. [本文引用:1]
[5] MA Z W, SANTOS J E, LACKEY G, et al. Information extraction from historical well records using a large language model[J]. Scientific Reports, 2024: 31072. [本文引用:1]
[6] 刘合, 任义丽, 李欣, 等. 油气行业人工智能大模型在应用研究现状及展望[J]. 石油勘探与开发, 2024, 51(4): 910-923.
LIU He, REN Yili, LI Xin, et al. Research status and application of artificial intelligence large models in the oil and gas industry[J]. Petroleum Exploration and Development, 2024, 51(4): 910-923. [本文引用:1]
[7] 刘庆山, 刘坤, 于骁逸, 等. 基于人工智能的地质工程一体化钻井优化系统构建与应用[J]. 录井工程, 2025, 36(2): 1-6.
LIU Qingshan, LIU Kun, YU Xiaoyi, et al. Construction and application on AI-driven geology-engineering integration drilling optimization system[J]. Mud Logging Engineering, 2025, 36(2): 1-6. [本文引用:1]
[8] 李宏波, 罗平亚, 白杨, 等. 机器学习算法概述及其在钻井工程中的应用[J]. 新疆石油天然气, 2022, 18(1): 1-13.
LI Hongbo, LUO Pingya, BAI Yang, et al. Summary for machine learning algorithms and their applications in drilling engineering[J]. Xinjiang Oil & Gas, 2022, 18(1): 1-13. [本文引用:1]
[9] GHINASSI I, WANG L, NEWELL C, et al. Recent Trends in Linear Text Segmentation: A Survey[C]//Proceedings of the 2024 Conference on Empirical Methods in Natural Language Processing: Findings. Stroudsburg: Association for Computational Linguistics, 2024: 3084-3095. [本文引用:1]
[10] YU B, YUAN H, LI H, et al. Long-Short Chain-of-Thought Mixture Supervised Fine-Tuning Eliciting Efficient Reasoning in Large Language Models[EB/OL]. (2025-05-07)[2025-10-16]. http: //arxiv. org/abs/2505. 03469. [本文引用:1]
[11] ZHANG S, DONG L, LI X, et al. Instruction Tuning for Large Language Models: A Survey[EB/OL]. (2025-03-03)[2026-10-16]. https: //arxiv. org/abs/2308. 10792. [本文引用:1]
[12] PAPINENI K, ROUKOS S, WARD T, et al. BLEU: a Method for Automatic Evaluation of Machine Translation[C]//Proceedings of the 40th Annual Meeting of the Association for Computational Linguistics. Philadelphia: Association for Computational Linguistics, 2002: 311-318. [本文引用:1]
[13] IN C Y. ROUGE: A package for automatic evaluation of summaries[C]//Proceedings of the Workshop on Text Summarization Branches Out. Stroudsburg: Association for Computational Linguistics, 2004: 74-81. [本文引用:1]