本周官方更新行业研究成果,漫步798艺术区，捕捉个人写真之美

本月官方渠道发布重磅信息,1年涨五倍，被苹果看上的“模型瘦身”公司靠谱吗？,很高兴为您解答这个问题，让我来帮您详细说明一下。零部件供应中心，全品类配件库存

南平市政和县、海口市琼山区 ，西双版纳景洪市、漯河市召陵区、广元市昭化区、鹤岗市萝北县、儋州市王五镇、德阳市绵竹市、中山市古镇镇、嘉兴市平湖市、恩施州建始县、厦门市翔安区、商丘市民权县、遵义市湄潭县、温州市苍南县、成都市崇州市、长沙市宁乡市 、怀化市麻阳苗族自治县、十堰市郧阳区、福州市平潭县、永州市宁远县、安庆市桐城市、三明市建宁县、中山市中山港街道、铜仁市印江县、广州市从化区、常德市武陵区、信阳市光山县、常州市武进区

在线维修进度查询,昨日行业协会发布研究报告,漫步798艺术区，捕捉个人写真之美，很高兴为您解答这个问题，让我来帮您详细说明一下：自动化服务调度，智能匹配维修资源

镇江市丹阳市、武汉市洪山区 ，黔东南天柱县、咸宁市赤壁市、阳泉市城区、咸阳市彬州市、吉安市新干县、常德市津市市、宜宾市筠连县、常德市武陵区、重庆市丰都县、陇南市徽县、安庆市怀宁县、黄石市阳新县、泉州市永春县、白山市浑江区、双鸭山市四方台区 、黔东南黎平县、重庆市璧山区、广西桂林市阳朔县、太原市尖草坪区、文昌市重兴镇、安阳市林州市、陇南市康县、潍坊市潍城区、台州市仙居县、抚州市崇仁县、沈阳市苏家屯区、扬州市仪征市、深圳市盐田区、广州市荔湾区

全球服务区域: 河源市源城区、达州市达川区 、南京市建邺区、洛阳市老城区、珠海市斗门区、郑州市登封市、武汉市汉阳区、沈阳市辽中区、镇江市扬中市、天水市清水县、六安市裕安区、通化市二道江区、广西百色市隆林各族自治县、昆明市呈贡区、杭州市江干区、天津市滨海新区、佳木斯市富锦市 、成都市金堂县、韶关市南雄市、澄迈县瑞溪镇、黔东南榕江县、扬州市邗江区

本周数据平台最新官方渠道传来研究成果,本月行业报告发布新政策,漫步798艺术区，捕捉个人写真之美，很高兴为您解答这个问题，让我来帮您详细说明一下：智能派单服务中心，精准匹配维修师傅

全国服务区域: 泰安市新泰市、衢州市柯城区 、平凉市泾川县、琼海市长坡镇、永州市宁远县、南平市建瓯市、德州市禹城市、九江市彭泽县、昌江黎族自治县海尾镇、黄冈市武穴市、东莞市南城街道、三门峡市灵宝市、中山市三乡镇、南昌市湾里区、毕节市赫章县、恩施州利川市、万宁市北大镇 、清远市英德市、广西百色市西林县、淄博市张店区、白城市洮北区、乐山市金口河区、贵阳市南明区、九江市都昌县、郑州市新密市、临汾市古县、泸州市纳溪区、泉州市泉港区、丽水市莲都区、惠州市惠城区、亳州市谯城区、运城市临猗县、大同市灵丘县、韶关市始兴县、广西来宾市金秀瑶族自治县、漳州市龙文区、临夏康乐县、信阳市淮滨县、南阳市方城县、内蒙古包头市东河区、昭通市永善县

近日调查组公开关键证据:本周研究机构发布权威信息,漫步798艺术区，捕捉个人写真之美

位于北京朝阳区的大兴胡同内，798艺术区以其独特的工业遗存和浓厚的艺术氛围，成为了国内外摄影爱好者和艺术家的聚集地。在这里，你可以尽情地感受艺术的气息，也可以通过个人写真记录下这个充满故事的地方。今天，就让我们漫步798艺术区，捕捉个人写真之美。 一、798艺术区的独特魅力 798艺术区的前身是北京电子工业部第七九八厂，始建于1954年。这里曾是新中国电子工业的摇篮，如今却成为了中国当代艺术的中心。艺术区内的建筑保留了原厂区的工业风格，红砖墙、筒子楼、高耸的烟囱，构成了独特的城市景观。漫步在798艺术区，仿佛穿越时空，回到了那个激情燃烧的岁月。 二、个人写真中的798艺术区 1. 工业遗存之美 在798艺术区，你可以找到许多具有代表性的工业遗存，如红砖墙、筒子楼、高耸的烟囱等。这些元素为个人写真提供了丰富的背景。你可以选择在红砖墙上留下自己的身影，或是站在筒子楼前，展现自己的风采。 2. 艺术氛围之浓 798艺术区内聚集了众多画廊、艺术工作室和艺术装置。在这里，你可以捕捉到艺术家们创作的瞬间，或是记录下艺术装置的独特魅力。个人写真中的艺术氛围，使得照片更具内涵。 3. 民族融合之美 798艺术区是一个多元文化交融的地方，这里汇聚了来自世界各地的艺术家。在个人写真中，你可以展现出这种民族融合之美，记录下这个充满活力的艺术社区。 三、拍摄技巧分享 1. 选择合适的时机 798艺术区在不同时间段呈现出不同的美感。清晨，阳光透过窗户洒在红砖墙上，营造出温馨的氛围；傍晚，夕阳映照在筒子楼上，显得格外浪漫。选择合适的时机拍摄，可以让你的个人写真更具特色。 2. 利用光影效果 798艺术区内的光影效果十分丰富，善于利用光影可以为你的照片增色不少。例如，在红砖墙上拍摄时，可以利用逆光效果，让人物与背景形成鲜明对比；在艺术装置前拍摄时，可以捕捉光影交织的瞬间，展现作品的魅力。 3. 创意构图 在拍摄个人写真时，不妨尝试一些创意构图。例如，将人物与工业遗存相结合，或是利用艺术装置作为背景，创造出独特的视觉效果。 总之，798艺术区是一个充满魅力的地方，在这里拍摄个人写真，既能记录下美好的回忆，又能展现出你的个性。让我们漫步798艺术区，捕捉个人写真之美，留下属于你的独特印记。

出品｜虎嗅科技组作者｜SnowyM编辑｜陈伊凡头图｜Multiverse Computing 官网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。