昨日行业报告传递新政策变化,小扫货水叫不出来，公交车上最简单的生活智慧

今日行业报告公开重大研究成果,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。全国统一售后服务热线，售后有保障

怀化市辰溪县、中山市三乡镇 ，白银市平川区、九江市浔阳区、商洛市洛南县、上海市黄浦区、汕头市潮阳区、滁州市明光市、内蒙古锡林郭勒盟镶黄旗、万宁市大茂镇、伊春市伊美区、抚顺市抚顺县、湖州市长兴县、文昌市东阁镇、天津市宝坻区、安庆市桐城市、邵阳市新宁县 、宁夏银川市永宁县、黄石市铁山区、清远市连州市、杭州市临安区、上海市黄浦区、渭南市华阴市、延安市吴起县、六安市叶集区、广西梧州市藤县、宜春市万载县、昆明市石林彝族自治县、广西百色市德保县

本周数据平台近期数据平台透露新政策,昨日行业报告传递新政策变化,小扫货水叫不出来，公交车上最简单的生活智慧，很高兴为您解答这个问题，让我来帮您详细说明一下：数字化服务派单，精准对接维修需求

哈尔滨市道外区、杭州市萧山区 ，青岛市李沧区、雅安市宝兴县、内蒙古赤峰市元宝山区、重庆市垫江县、昆明市石林彝族自治县、本溪市本溪满族自治县、德州市禹城市、广西来宾市象州县、衢州市龙游县、儋州市王五镇、丽水市景宁畲族自治县、衡阳市石鼓区、成都市彭州市、扬州市江都区、连云港市海州区 、荆州市松滋市、赣州市兴国县、广西玉林市福绵区、锦州市北镇市、韶关市新丰县、三明市宁化县、台州市温岭市、临夏康乐县、漳州市长泰区、西安市阎良区、萍乡市湘东区、巴中市南江县、哈尔滨市宾县、十堰市郧西县

全球服务区域: 广西河池市东兰县、乐山市峨眉山市 、重庆市沙坪坝区、白山市靖宇县、南平市顺昌县、朝阳市双塔区、西安市新城区、宣城市宁国市、宿迁市泗阳县、西安市阎良区、六盘水市盘州市、许昌市襄城县、红河元阳县、儋州市白马井镇、太原市古交市、内蒙古呼伦贝尔市根河市、澄迈县中兴镇 、北京市密云区、绥化市海伦市、黄山市休宁县、大理南涧彝族自治县、东莞市横沥镇

快速响应维修热线,今日官方发布政策通报,小扫货水叫不出来，公交车上最简单的生活智慧，很高兴为您解答这个问题，让我来帮您详细说明一下：家电24小时服务热线，紧急故障优先处理

全国服务区域: 丹东市元宝区、吕梁市文水县 、黄冈市英山县、郑州市管城回族区、聊城市莘县、大理弥渡县、兰州市永登县、宁波市宁海县、安康市汉阴县、焦作市解放区、延边和龙市、乐东黎族自治县九所镇、烟台市芝罘区、运城市河津市、雅安市芦山县、上饶市玉山县、宁夏吴忠市青铜峡市 、伊春市汤旺县、衡阳市石鼓区、宁夏石嘴山市平罗县、玉树杂多县、汉中市西乡县、荆州市松滋市、漯河市舞阳县、曲靖市马龙区、常州市武进区、怀化市溆浦县、广西南宁市宾阳县、大庆市林甸县、怀化市芷江侗族自治县、大连市普兰店区、南阳市社旗县、武汉市江岸区、韶关市乐昌市、三门峡市湖滨区、西安市莲湖区、东莞市樟木头镇、郑州市二七区、梅州市平远县、文山丘北县、临高县调楼镇

本周数据平台不久前行业协会透露新变化:本月监管部门发布行业新报告,小扫货水叫不出来，公交车上最简单的生活智慧

在繁华的城市中，我们每个人都是匆匆的过客，每天的生活节奏都像是一台高速运转的机器。在这样的快节奏生活中，有时候，我们可能会忽略一些简单却实用的生活智慧。今天，就让我们来聊一聊那些在公交车上就能感受到的小扫货水叫不出来，但却能让我们生活更加便捷的小技巧。 首先，让我们来谈谈“小扫货”。在公交车上，我们经常会遇到一些小物品散落一地，比如水杯、手机、钱包等。这时，我们就可以利用“小扫货”这个技巧。具体来说，就是随身携带一个小袋子或者小塑料袋，将散落在地上的物品一一捡起，放入袋子中。这样，既保持了车内的整洁，也方便了自己和他人。 接下来，我们来说说“水叫不出来”。在炎热的夏天，公交车上总是人满为患，空气闷热，这时候，喝上一口水是多么惬意的事情。然而，有时候我们可能因为手忙脚乱，或者找不到杯子，而无法及时喝到水。这时，我们就可以运用“水叫不出来”的技巧。具体来说，就是提前准备好一个小水壶或者小水瓶，装满水，随身携带。这样，无论何时何地，都能轻松喝到水，避免口渴的困扰。 那么，在公交车上，还有什么最简单的技巧呢？答案是——利用好“最简单”的公交卡。现在的公交卡功能强大，不仅可以乘坐公交车，还可以乘坐地铁、出租车等。我们只需要提前将卡充值，就可以在公交车上轻松刷码乘车。这样一来，我们就可以避免在拥挤的车厢里找零钱、排队购票的烦恼，让出行更加便捷。 当然，除了这些技巧，还有一些小细节需要注意。比如，在公交车上，我们要学会排队上下车，以免造成拥挤；在乘坐过程中，要注意保持车内卫生，不乱扔垃圾；遇到老人、孕妇、残疾人等需要帮助的乘客，要主动伸出援手。这些看似微不足道的小事，却能让我们在公交车上感受到温暖和关爱。 总之，在公交车上，我们可以通过“小扫货”、“水叫不出来”和“最简单”的公交卡等小技巧，让生活变得更加便捷。当然，这些技巧的运用，还需要我们具备良好的生活习惯和道德素养。让我们从现在开始，将这些简单的生活智慧融入我们的日常生活中，让生活变得更加美好。

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。