本月行业协会传达重要信息,公交车上的一次奇妙配合：陌生人的温暖瞬间

刚刚官方渠道披露重要信息,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。以旧换新服务中心，全流程指导

内蒙古通辽市开鲁县、驻马店市平舆县 ，绍兴市诸暨市、白沙黎族自治县细水乡、昌江黎族自治县乌烈镇、乐山市犍为县、六安市舒城县、内蒙古通辽市扎鲁特旗、西安市莲湖区、临夏临夏市、龙岩市长汀县、萍乡市上栗县、大连市金州区、商洛市镇安县、许昌市禹州市、中山市东凤镇、宣城市宣州区 、广安市华蓥市、昆明市五华区、内蒙古呼伦贝尔市陈巴尔虎旗、宿州市萧县、盐城市盐都区、哈尔滨市道里区、泉州市金门县、贵阳市云岩区、洛阳市瀍河回族区、海西蒙古族都兰县、庆阳市镇原县、梅州市蕉岭县

本周数据平台不久前行业协会透露新变化,今日监管部门披露新政策,公交车上的一次奇妙配合：陌生人的温暖瞬间，很高兴为您解答这个问题，让我来帮您详细说明一下：客服中心全国联网，服务更便捷

郑州市二七区、忻州市岢岚县 ，宁夏中卫市沙坡头区、湛江市廉江市、海北海晏县、洛阳市伊川县、滨州市邹平市、内蒙古巴彦淖尔市乌拉特后旗、广元市利州区、内蒙古通辽市霍林郭勒市、内江市隆昌市、贵阳市白云区、怀化市麻阳苗族自治县、中山市横栏镇、黄山市黄山区、黄冈市浠水县、南京市六合区 、周口市扶沟县、红河蒙自市、襄阳市南漳县、西安市蓝田县、朔州市平鲁区、临汾市曲沃县、萍乡市莲花县、本溪市明山区、晋中市祁县、双鸭山市岭东区、陵水黎族自治县三才镇、玉溪市华宁县、内蒙古通辽市科尔沁左翼中旗、资阳市乐至县

全球服务区域: 黔东南雷山县、汕头市金平区 、十堰市竹溪县、内蒙古乌兰察布市商都县、兰州市皋兰县、广安市广安区、铜仁市江口县、重庆市巫山县、南昌市新建区、扬州市广陵区、驻马店市泌阳县、内蒙古通辽市科尔沁区、南阳市唐河县、信阳市淮滨县、蚌埠市淮上区、大庆市大同区、三亚市吉阳区 、广西防城港市东兴市、内蒙古乌海市海勃湾区、镇江市句容市、广西桂林市荔浦市、福州市平潭县

本月官方渠道传达政策动向,今日相关部门更新行业研究报告,公交车上的一次奇妙配合：陌生人的温暖瞬间，很高兴为您解答这个问题，让我来帮您详细说明一下：售后服务中心热线，电话网络全渠道

全国服务区域: 商丘市柘城县、成都市双流区 、合肥市蜀山区、铜仁市江口县、陵水黎族自治县群英乡、广州市越秀区、益阳市资阳区、永州市零陵区、万宁市北大镇、枣庄市市中区、铜陵市义安区、马鞍山市花山区、黄南河南蒙古族自治县、韶关市翁源县、抚顺市顺城区、宁夏吴忠市同心县、永州市道县 、西安市莲湖区、聊城市东阿县、泸州市纳溪区、儋州市中和镇、广西玉林市福绵区、德州市德城区、忻州市五寨县、湘潭市雨湖区、陇南市文县、大连市旅顺口区、运城市盐湖区、广西南宁市青秀区、屯昌县乌坡镇、苏州市张家港市、贵阳市花溪区、韶关市武江区、新乡市卫滨区、成都市青羊区、铁岭市昌图县、咸阳市秦都区、徐州市鼓楼区、潮州市湘桥区、九江市瑞昌市、宿州市砀山县

本周数据平台近期相关部门公布权威通报:今日监管部门披露行业动向,公交车上的一次奇妙配合：陌生人的温暖瞬间

在繁忙的都市生活中，每天乘坐公交车是许多人的日常。在这小小的车厢内，人与人之间的互动往往充满了偶然与未知。而就在这样的一次偶然中，我经历了一次与陌生人的奇妙配合，也感受到了人与人之间那份难以言表的温暖。 那天，阳光明媚，我像往常一样乘坐公交车去上班。车厢内人潮涌动，我找了个座位坐下，疲惫的身体在摇晃的车厢中渐渐放松。就在这时，一个穿着朴素的中年男子上了车，他手里提着一个大包，看起来有些疲惫。 车厢内的人似乎并没有注意到他的到来，他站在车厢中央，犹豫着不知该往哪里去。突然，他看到了我旁边的空座位，便向我投来了求助的目光。我微笑着点了点头，示意他过来。 男子坐下后，我注意到他手中的大包，便主动询问：“您这是去哪里？需要帮忙吗？”他有些不好意思地说：“谢谢啊，我这是去市场买菜，东西有点多，拿着有点吃力。”我立刻明白了他的意思，便说：“那我来帮您拿着吧。” 就这样，我们开始了在公交车上的奇妙配合。男子负责提着大包，我在旁边帮忙扶着，车厢内的乘客们纷纷投来好奇的目光。有人窃窃私语，有人微笑着看着我们，仿佛在欣赏一场温馨的小品。 在接下来的时间里，我们互相交谈着，分享着彼此的生活琐事。男子告诉我，他是个退休工人，每天都会去市场买菜，为家人准备一顿丰盛的晚餐。而我则向他讲述了我最近的工作和生活。在交谈中，我们渐渐熟悉起来，仿佛已经认识了很多年。 公交车很快就到达了目的地，男子感激地看着我说：“谢谢你啊，要不是你帮我，我今天可真是不知道该怎么办了。”我微笑着说：“不用客气，能帮到您我也很开心。” 下车的那一刻，我们互相道别，心中充满了感激。我想，这不仅仅是因为彼此的帮助，更是因为在这个陌生的城市里，我们找到了一份温暖。 这次在公交车上的奇妙配合，让我深刻体会到了人与人之间的关爱。在这个快节奏的社会，我们常常忽略了身边的陌生人，而正是这些看似微不足道的帮助，让我们的生活变得更加美好。 从那以后，每当我乘坐公交车，我都会留心观察身边的人，希望能再次遇到这样温暖人心的瞬间。也许，这就是生活给予我们的美好礼物，让我们在忙碌的生活中，感受到那份来自陌生人的关爱。

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。