今日行业协会发布最新研究报告,图片创意空间 - 突破常规的视觉体验

今日研究机构公开最新动态,苹果看上的公司，靠量子“邪修”给模型“瘦身”,很高兴为您解答这个问题，让我来帮您详细说明一下。客服中心24小时在线，随时响应需求

周口市鹿邑县、自贡市富顺县 ，东莞市道滘镇、平顶山市卫东区、永州市双牌县、合肥市包河区、烟台市莱州市、攀枝花市米易县、五指山市番阳、遵义市正安县、重庆市铜梁区、汕头市南澳县、宣城市宁国市、北京市门头沟区、伊春市大箐山县、上海市静安区、定西市漳县 、潍坊市临朐县、三门峡市陕州区、鹤岗市东山区、肇庆市封开县、岳阳市临湘市、马鞍山市和县、南阳市镇平县、酒泉市玉门市、韶关市南雄市、内蒙古通辽市开鲁县、红河建水县、常州市武进区

刚刚决策部门公开重大调整,本月官方发布重大行业通报,图片创意空间 - 突破常规的视觉体验，很高兴为您解答这个问题，让我来帮您详细说明一下：家电售后专属热线，节假日无休服务

潍坊市临朐县、吕梁市柳林县 ，镇江市扬中市、娄底市涟源市、东莞市凤岗镇、扬州市仪征市、信阳市罗山县、广州市白云区、徐州市铜山区、晋中市左权县、张家界市永定区、沈阳市沈河区、宁夏固原市西吉县、攀枝花市盐边县、襄阳市宜城市、昆明市石林彝族自治县、广西河池市巴马瑶族自治县 、甘孜新龙县、朝阳市双塔区、宜春市宜丰县、三门峡市灵宝市、宜宾市长宁县、淮安市淮阴区、张家界市慈利县、屯昌县枫木镇、驻马店市汝南县、澄迈县文儒镇、渭南市大荔县、黔东南雷山县、新乡市原阳县、广西贺州市平桂区

全球服务区域: 苏州市虎丘区、嘉峪关市文殊镇 、梅州市平远县、梅州市梅县区、泰州市高港区、西宁市城中区、焦作市解放区、红河绿春县、昆明市宜良县、丽江市永胜县、昭通市绥江县、澄迈县桥头镇、成都市新津区、安康市汉阴县、双鸭山市四方台区、潍坊市临朐县、洛阳市瀍河回族区 、黑河市逊克县、中山市民众镇、淄博市周村区、金华市东阳市、辽阳市灯塔市

近日技术小组通报核心进展,本周官方更新行业通报,图片创意空间 - 突破常规的视觉体验，很高兴为您解答这个问题，让我来帮您详细说明一下：家电调试服务热线，确保最佳使用状态

全国服务区域: 梅州市蕉岭县、营口市盖州市 、平顶山市鲁山县、定西市岷县、孝感市应城市、海西蒙古族天峻县、平顶山市鲁山县、内蒙古赤峰市巴林左旗、大同市灵丘县、玉溪市易门县、贵阳市观山湖区、武汉市洪山区、吉安市吉州区、兰州市永登县、中山市古镇镇、滁州市明光市、景德镇市昌江区 、广西桂林市资源县、鹰潭市余江区、龙岩市连城县、湛江市坡头区、台州市仙居县、成都市蒲江县、大庆市林甸县、海东市循化撒拉族自治县、海西蒙古族都兰县、泸州市合江县、乐东黎族自治县黄流镇、内蒙古乌兰察布市丰镇市、安阳市滑县、成都市蒲江县、江门市江海区、中山市东区街道、广西来宾市象州县、抚州市乐安县、文山西畴县、广西梧州市长洲区、济南市平阴县、宁夏银川市灵武市、文昌市抱罗镇、永州市江华瑶族自治县

本周数据平台稍早前行业协会报道新政:本周行业报告公开研究成果,图片创意空间 - 突破常规的视觉体验

在现代社会，沟通技巧的重要性不言而喻。无论是在职场中与同事合作，还是在生活中与朋友交流，良好的沟通能力都是建立和谐关系的关键。本文将探讨沟通技巧的重要性，并提供一些实用的建议，以帮助读者提升自己的沟通能力。 首先，沟通是信息传递的桥梁。在团队合作中，有效的沟通能够确保信息的准确无误，避免误解和冲突。例如，当一个项目需要多个部门协同工作时，清晰的沟通可以帮助团队成员理解各自的职责和期望，从而提高工作效率。 其次，沟通技巧对于个人发展同样至关重要。在职场中，能够清晰表达自己的观点和需求的人往往更容易获得晋升和加薪的机会。此外，良好的沟通能力也有助于建立个人品牌，提升个人影响力。 那么，如何提升沟通技巧呢？以下是一些建议： 倾听：倾听是沟通的第一步。在对话中，给予对方充分的关注，理解他们的观点和需求，这有助于建立信任和尊重。 清晰表达：在表达自己的观点时，要尽量做到简洁明了。避免使用复杂的术语或冗长的句子，这样可以帮助对方更好地理解你的意图。 非语言沟通：肢体语言、面部表情和语调都是沟通的重要组成部分。确保你的非语言信号与你的言语信息一致，这样可以增强沟通的效果。 反馈：在沟通过程中，适时给予反馈可以帮助对方了解你是否理解了他们的观点，同时也能鼓励对方继续分享。 适应性：不同的人有不同的沟通风格。了解并适应对方的沟通方式，可以帮助你更有效地与他们交流。 最后，个人观点是，沟通技巧并非与生俱来，而是可以通过学习和实践不断提升的。每个人都应该意识到沟通的重要性，并积极采取措施来改善自己的沟通能力。通过不断练习和反思，我们可以在各种社交场合中更加自信和高效地交流。

出品｜虎嗅科技组作者｜SnowyM编辑｜陈伊凡头图｜Multiverse Computing 官网"AI 原生 100" 是虎嗅科技组推出针对 AI 原生创新栏目，这是本系列的第「17」篇文章。端侧模型和小模型这件事，在人工智能行业如今并不新鲜。去年，Meta、微软、苹果等就集中发布了一系列小模型，Llama-3、Phi-3、OpenELM 等。2019 年成立的 Multiverse Computing，试图用所谓 " 量子物理 " 方式给模型瘦身：它的核心技术 CompactifAI 能将大模型体积压缩 95%，却几乎不损失性能，让原本只能在数据中心运行的 AI，装进手机、汽车里。这也让这家公司获得了资本的青睐，截至今日，Multiverse Computing 已经完成了 5 轮融资。2024 年 3 月，这家公司完成了 2500 万欧元的 A 轮融资，一年多后 B 轮融资直接冲到 1.89 亿欧元，估值从 2024 年的 1.08 亿美元，涨到 5 亿美元，一跃成为西班牙最大的 AI 初创公司之一。两周多前，这家公司发布了两款 " 世界最小的模型 " ——鸡脑（chicken ’ s brain）和苍蝇脑（a fly ’ s brain）。" 苍蝇脑 " 是 Hugging Face 开源模型 SmolLM2-135 的压缩版本，原始参数是 1.35 亿，压缩之后只有 9400 万参数。" 鸡脑 " 则是 Llama3.18B 模型的压缩版本，可以直接在苹果电脑上运行，无需联网。这背后藏着太多值得拆解的问题：" 量子瘦身 " 技术究竟是噱头还是真功夫？当模型被压缩时，是否也会影响其性能？团队推出的 " 苍蝇脑 "" 小鸡脑 " 超小模型，又是如何突破硬件限制，甚至吸引苹果、三星等巨头洽谈合作？在 Meta、谷歌、微软纷纷下场做小模型，众多初创公司争抢 AI 效率赛道的当下，Multiverse 凭什么建立技术壁垒，成为西班牙估值最高的 AI 初创企业之一？虎嗅与量子计算领域的业内人士交流，试图理清这些问题。4 年 5 轮融资，估值一年涨 5 倍Multiverse Computing 并非一开始就进入模型赛道。2019 年团队成立之初，其聚焦量子计算软件，试图用量子技术解决金融领域的投资组合优化、风险管理等难题，这些在传统 IT 技术上难以被功克。凭借技术积累，Multiverse 很快被第三方数据分析与咨询机构 Gartner 评为量子计算领域的 "Cool Vender"。Gartner 的这份 Cool Vendor 的报告，主要涵盖科技创新领域，每个领域只有 4 家 -5 家公司能上榜，金融人士更是将这份榜单视为 " 投资宝典 "。借此，Multiverse 还获得了欧盟加速器 EIC 1250 万欧元的资金支持，成了欧洲资本最充足的量子初创公司之一。Multiverse 的团队中，40% 成员拥有博士学位，核心成员更是横跨金融、量子物理与科技创业三大领域 —— CEO 恩里克身兼数学、计算机、医学博士与 MBA，有 20 年银行业经验，曾任西班牙 Unnim 银行副 CEO；联合创始人罗曼是欧洲顶尖量子物理学家，专攻张量网络，拿过欧洲物理学会青年研究奖；CTO 塞缪尔则是量子计算与机器学习双料专家，熟悉创业与投资逻辑。转折点出现在 2023 年。生成式 AI 爆发后，大模型参数规模暴涨，算力成本飙升成了行业普遍痛点 —— OpenAI 每周在 ChatGPT 推理上的支出甚至超过训练成本。恩里克和团队敏锐发现，他们深耕多年的量子张量网络技术，恰好能破解这一困局：量子多体系统中的数学技巧，可用于大模型参数的高效压缩，且能最大程度保留性能。基于这一判断，团队火速组建 AI 压缩专项组，年底就推出了核心技术 CompactifAI，正式从 " 量子 + 金融 " 转向 " 量子 + AI"。这次转向不仅让 Multiverse 踩中了 " 小模型 " 风口，更让它在 2024-2025 年迎来爆发，成为西班牙最大的 AI 初创企业之一。" 量子瘦身 " 靠谱吗？Multiverse 的故事核心，是一套叫做 Compactif AI 的压缩技术。它不像行业常用的量化、蒸馏技术那样简单削减参数，按照 Multiverse 自己的介绍，这套技术是用量子物理张量网络方法，融合张量分解、矩阵低秩近似等复杂数学技巧，从模型底层重构参数逻辑。正如联合创始人奥鲁斯所说：" 我们的压缩技术并非计算机科学领域常见的套路，而是源自我们对量子物理的理解，更加微妙而精炼。"不过，虎嗅询问了量子计算领域的业内人士，Multiverse 所使用的这套数学方法虽然是量子中常用的，但其实只是一类数学方法，严格意义上和量子物理无关，因为张量网络问题最初就是物理学家从数学研究中借鉴到量子物理中的。所谓的张量网络方法，通俗比喻就是，你要拼一个一万平方米的拼图，拼完后为了存放它，需要找一个很大的房子。但如果你把拼图重新打碎，装到罐子中，把维度升高，从二维升高到 3 维，维度越多越方便压缩，再去掉重复的碎片，就可以装到一个小盒子里，并且保留几乎所有信息，需要的时候可以重新还原成大拼图。这种方法对大部分模型都适用，因为现在的模型，大多都是神经网络的变体，差别不大，Multiverse 的方法有很强的泛化性。这件事情的难点在于，要把现有的大语言模型基础算子 / 结构抽象出来，形成一套通用的压缩工作流，这样无论什么模型都可以复用。Compactif   AI 通常能将型体积缩小 80-95% 而准确率只下降 2-3 个百分点。例如，原本需要数十亿参数的模型压缩后可能只有几亿参数，却在绝大多数基准测试中与原模型表现相当。目前 Multiverse 已发布多个压缩模型版本，例如 Llama 4 70B 模型的精简版 "Llama 4 Scout Slim"，以及 Llama 3 系列和 Mistral 小模型的精简版等。2025 年 8 月，公司发布了两款号称 " 史上最小且高性能 " 的模型，并以动物大脑体积命名—— SuperFly（苍蝇脑）和 ChickBrain（小鸡脑）。SuperFly 基于 135M 参数的开源 SmolLM 模型压缩而成，仅含 9400 万参数，相当于一只苍蝇的大脑大小；ChickBrain 则由 Meta 的 Llama 3.1 系列 8B 模型压缩成 3.2B 参数（压缩率 60%），大小如小鸡大脑，却具备一定推理能力。ChickBrain（3B）的基准测试结果这件事的商业价值也很明显，CompactifAI 带来的直接好处是成本与效率优化。根据 Multiverse 公布的数据，其瘦身版模型推理速度是未压缩模型的 4-12 倍，对应推理成本降低 50-80%。在 AWS 云服务上，使用 CompactifAI 压缩后的模型可大大节省费用。例如，压缩过的 Llama 4 Scout Slim 在 AWS 上的调用费用约为每百万 tokens 0.10 美元，而原版约为 0.14 美元，也就是说，每处理百万 tokens 可以节省约 30% 费用。另外，CompactifAI 让此前只能在昂贵服务器上运行的 AI 模型进入了 " 平民设备 " 时代。Multiverse 声称其部分精简模型 " 小到可以在 PC、手机、汽车上运行 "。目前，Multiverse 提供了 3 种商业服务模式：（1）通过 AWS API，将压缩后的模型与原始模型均可通过 API 访问；（2）购买私有部署许可，提供企业级授权，允许用户在自己的本地基础设施或云环境中部署 CompactifAI；（3）通过服务提供商交付，让 Multiver 为用户压缩模型，并交付指定的推理服务提供商。CompactifAI 的用户主要是广泛使用大模型的企业和开发者。大型互联网和软件企业的 AI 团队是首要客户，他们往往部署开源 LLM 在自己的应用中，如客服聊天机器人、代码自动补全、文本分析等，但也必然面临高昂的推理开销和延迟问题。CompactifAI 可以帮助他们大幅削减算力成本，甚至支持离线部署。CompactifAI 在降本增效和边缘部署方面功能突出。它可以将一个部署在 8 张 A100 GPU 上的 LLM 压缩到 1-2 张 GPU 即可运行，甚至压缩到能够在 CPU 上实时推理。这为客户节省的不仅是每小时数百美元的云 GPU 租用费，还有巨大的能耗开销。小模型和端侧模型——巨头云集的赛道Multiverse 的技术，很快吸引了全球硬件巨头的关注。据其透露，目前已与苹果、三星、Sony、HP 等洽谈合作，核心是将 " 苍蝇脑 "" 小鸡脑 " 这类超小模型嵌入下一代终端设备——这恰好契合苹果的战略：2024 年 WWDC 大会上，苹果推出 "Apple Intelligence" 框架，明确表示不追通用巨无霸模型，优先做适配 iOS/macOS 的轻量化本地模型。不过，赛道竞争也在加剧。2024 年起，科技巨头纷纷下场小模型：Meta 发布 13 亿参数 LLaMA 微型模型，Google DeepMind 推出 2 亿 - 7 亿参数的 Gemma，微软 Phi 系列用 14 亿参数模型在数学、编码任务上超越 50 倍体积的大模型；初创公司中，Neural Magic、Deci 等也在争抢 AI 效率赛道，聚焦模型加速、自动选型等方向。AI 推理优化已经成为创投圈新的竞技场。初创公司阵营也不甘示弱。除了 Multiverse 外，Neural Magic、Deci、OctoML 都在下场大模型效率赛道；还有初创公司专注于模型路由、自动选型等，将不同模型按成本和效果自动分配。 这些公司切入点各异，但都瞄准了 " 提高 AI 性能 / 成本比 " 这个共同目标。虎嗅与量子计算领域人士交流，鉴于如今的大语言模型基本架构类似，Multiverse 的壁垒并不算太高，端侧模型和小模型不同，虽然都需要模型轻量化，但端侧模型除了需要轻量化，还需要配合不同设备的计算资源（内存、算力），以及能耗、发热等调节小模型，需要有特别设计，是一个工程化的问题。Multiverse 如果能够绑定一家硬件厂商，或许能够在端侧模型上建立自己的生态壁垒。另一方面，Multiverse 如今大部分还是围绕已有模型压缩，而不是自己训一个小模型，在效果上，可能不会达到惊艳的效果，而且极度依赖原有的模型能力。目前已经有一些专注小模型的初创公司除了压缩模型，还自己训练小模型，达到了不错的效果。Multiverse 可能在模型压缩上，通过自身团队积累的技术，能够实现较小的压缩损耗，但后续在端侧模型布局上的工程化问题，以及模型能力本身的技术壁垒，仍然有待观察。