今日官方通报新研究成果,探索未知领域：我国Xrk项目的突破与发展

昨日相关部门披露行业进展,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。全国联保售后电话，服务有保障

开封市鼓楼区、张掖市山丹县 ，中山市三乡镇、洛阳市汝阳县、惠州市惠阳区、双鸭山市尖山区、南京市溧水区、平顶山市湛河区、周口市太康县、中山市东凤镇、平凉市崆峒区、中山市东凤镇、延安市宜川县、屯昌县乌坡镇、乐东黎族自治县利国镇、岳阳市云溪区、广西南宁市马山县 、达州市开江县、中山市神湾镇、广州市黄埔区、内蒙古鄂尔多斯市东胜区、邵阳市新宁县、抚顺市清原满族自治县、长春市绿园区、恩施州建始县、迪庆德钦县、台州市黄岩区、儋州市南丰镇、阜新市太平区

本周数据平台今日多方媒体透露研究成果,今日官方渠道发布行业信息,探索未知领域：我国Xrk项目的突破与发展，很高兴为您解答这个问题，让我来帮您详细说明一下：家电维修专线，快速响应故障报修

临汾市尧都区、宁德市福鼎市 ，内蒙古锡林郭勒盟阿巴嘎旗、黔南瓮安县、文昌市东阁镇、潍坊市青州市、梅州市丰顺县、常德市津市市、果洛玛多县、郴州市临武县、铜仁市松桃苗族自治县、陇南市成县、广西防城港市防城区、成都市简阳市、菏泽市东明县、长治市沁源县、定安县龙河镇 、上饶市广信区、佛山市高明区、东莞市高埗镇、东方市三家镇、吕梁市兴县、渭南市大荔县、梅州市蕉岭县、广西玉林市博白县、文山西畴县、绥化市安达市、漯河市源汇区、牡丹江市西安区、黄山市黟县、天津市北辰区

全球服务区域: 晋中市祁县、葫芦岛市南票区 、常州市溧阳市、陵水黎族自治县光坡镇、朝阳市凌源市、雅安市汉源县、运城市芮城县、榆林市绥德县、吉林市磐石市、东莞市大朗镇、德阳市什邡市、湖州市吴兴区、马鞍山市含山县、广西崇左市大新县、济宁市任城区、荆州市沙市区、嘉兴市海盐县 、资阳市安岳县、广西玉林市陆川县、白山市抚松县、四平市双辽市、东莞市樟木头镇

近日官方渠道传达研究成果,本周监管部门披露重要研究成果,探索未知领域：我国Xrk项目的突破与发展，很高兴为您解答这个问题，让我来帮您详细说明一下：数字化监督平台，智能优化服务质量

全国服务区域: 盘锦市盘山县、茂名市电白区 、漯河市郾城区、昆明市寻甸回族彝族自治县、广西钦州市灵山县、吉安市新干县、潮州市潮安区、临高县调楼镇、西安市高陵区、晋中市寿阳县、南充市南部县、中山市古镇镇、黔西南兴仁市、内蒙古通辽市科尔沁区、吕梁市临县、昭通市大关县、琼海市会山镇 、永州市道县、果洛久治县、怀化市麻阳苗族自治县、牡丹江市绥芬河市、宁夏银川市永宁县、太原市尖草坪区、大理永平县、赣州市石城县、内蒙古鄂尔多斯市康巴什区、太原市小店区、东莞市桥头镇、嘉兴市海盐县、江门市江海区、吉林市桦甸市、济宁市鱼台县、哈尔滨市双城区、牡丹江市海林市、南充市营山县、毕节市金沙县、中山市南朗镇、韶关市始兴县、焦作市修武县、常德市武陵区、屯昌县乌坡镇

本周数据平台近期数据平台透露新政策:今日行业协会发布重要研究报告,探索未知领域：我国Xrk项目的突破与发展

随着科技的飞速发展，我国在各个领域都取得了举世瞩目的成就。在众多科研项目中，Xrk项目以其独特的创新性和前瞻性，吸引了广泛关注。本文将带您走进Xrk项目，了解其突破与发展。 一、Xrk项目的背景 Xrk项目，全称为“我国未知领域探索研究计划”，旨在通过科技创新，拓展人类认知边界，探索未知领域。该项目由我国多个科研机构联合发起，涵盖物理、化学、生物、天文等多个学科领域。 二、Xrk项目的突破 1. 超级计算机技术 在Xrk项目中，我国成功研发了具有世界领先水平的超级计算机。该计算机在数据处理、模拟实验等方面具有强大的能力，为Xrk项目的研究提供了有力支持。 2. 新材料研发 Xrk项目在材料科学领域取得了重大突破，成功研发出具有优异性能的新材料。这些新材料在航空航天、新能源、电子信息等领域具有广泛应用前景。 3. 生物技术突破 在生物领域，Xrk项目取得了令人瞩目的成果。我国科学家成功破解了生命密码，实现了对生物基因的精确操控。这一突破为人类健康、疾病治疗等领域带来了新的希望。 4. 天文观测技术 Xrk项目在天文观测领域取得了重要进展，我国自主研发的望远镜在分辨率、观测范围等方面达到了国际领先水平。这使得我国在天文研究方面具备了更强的竞争力。 三、Xrk项目的发展 1. 人才培养 Xrk项目高度重视人才培养，通过设立奖学金、开展学术交流活动等方式，吸引了一大批优秀人才投身于该项目的研究。 2. 国际合作 Xrk项目积极开展国际合作，与多个国家和地区的研究机构建立了合作关系。这有助于我国在未知领域的研究中，吸收国际先进经验，提升我国科研水平。 3. 社会效益 Xrk项目的研究成果为我国经济社会发展提供了有力支撑。例如，在新能源、电子信息等领域，Xrk项目的研究成果为我国产业升级提供了技术保障。 四、总结 Xrk项目作为我国在未知领域探索的重要举措，取得了显著成果。在未来的发展中，Xrk项目将继续发挥科技创新的引领作用，为我国经济社会发展贡献力量。同时，我们也期待Xrk项目在更多领域取得突破，为人类探索未知领域提供更多可能性。

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。