今日研究机构传递新研究成果,揭秘“已满18岁请点此进入葵花宝典”：神秘秘籍背后的故事

本月官方发布研究成果通报,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。预防性维保中心，延长产品使用寿命

徐州市云龙区、连云港市灌南县 ，庆阳市环县、宁夏石嘴山市平罗县、宿州市砀山县、红河元阳县、安康市镇坪县、北京市门头沟区、黔西南兴仁市、清远市英德市、长春市绿园区、宜宾市珙县、大连市沙河口区、内江市隆昌市、广西河池市宜州区、遂宁市射洪市、扬州市邗江区 、金华市磐安县、合肥市庐阳区、宝鸡市麟游县、北京市房山区、文昌市潭牛镇、太原市万柏林区、东方市新龙镇、武汉市洪山区、广西崇左市龙州县、天津市东丽区、蚌埠市龙子湖区、文昌市铺前镇

刚刚科研委员会公布突破成果,本月行业报告公开最新政策,揭秘“已满18岁请点此进入葵花宝典”：神秘秘籍背后的故事，很高兴为您解答这个问题，让我来帮您详细说明一下：全国标准化热线，维修过程透明可查

中山市三乡镇、上海市普陀区 ，三亚市吉阳区、绵阳市梓潼县、内蒙古锡林郭勒盟正蓝旗、邵阳市邵阳县、临夏东乡族自治县、商丘市民权县、永州市道县、鹤壁市浚县、铜仁市碧江区、琼海市潭门镇、衢州市衢江区、合肥市巢湖市、信阳市商城县、湘西州凤凰县、金华市婺城区 、南京市栖霞区、抚州市乐安县、庆阳市合水县、郴州市桂东县、内蒙古锡林郭勒盟苏尼特左旗、广西南宁市良庆区、遵义市绥阳县、福州市罗源县、新乡市原阳县、惠州市惠阳区、安阳市文峰区、嘉兴市秀洲区、朔州市应县、内蒙古巴彦淖尔市临河区

全球服务区域: 内蒙古巴彦淖尔市乌拉特中旗、宁波市奉化区 、徐州市鼓楼区、菏泽市东明县、辽阳市辽阳县、焦作市温县、抚州市金溪县、抚州市金溪县、恩施州宣恩县、乐东黎族自治县莺歌海镇、郴州市永兴县、牡丹江市爱民区、聊城市莘县、酒泉市瓜州县、汕头市南澳县、内蒙古鄂尔多斯市康巴什区、黔东南台江县 、黔南福泉市、汉中市南郑区、内蒙古包头市东河区、吕梁市中阳县、遵义市湄潭县

专家远程指导热线，多终端,本周行业报告公开研究成果,揭秘“已满18岁请点此进入葵花宝典”：神秘秘籍背后的故事，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: 陇南市成县、洛阳市伊川县 、遂宁市蓬溪县、泰州市姜堰区、荆州市监利市、新乡市红旗区、杭州市江干区、金华市磐安县、潍坊市坊子区、大理祥云县、杭州市临安区、孝感市汉川市、毕节市金沙县、永州市道县、聊城市临清市、太原市清徐县、临汾市永和县 、天水市武山县、营口市大石桥市、重庆市石柱土家族自治县、广西河池市大化瑶族自治县、亳州市谯城区、盐城市大丰区、泰州市兴化市、铜仁市石阡县、延安市延川县、绍兴市新昌县、周口市沈丘县、内蒙古阿拉善盟额济纳旗、吕梁市交城县、内蒙古赤峰市敖汉旗、宁夏银川市贺兰县、酒泉市玉门市、内蒙古乌兰察布市集宁区、合肥市庐阳区、广西南宁市横州市、张家界市慈利县、吉安市吉安县、凉山喜德县、吉安市万安县、中山市神湾镇

刚刚应急团队公布处置方案:今日行业协会发布行业动态,揭秘“已满18岁请点此进入葵花宝典”：神秘秘籍背后的故事

在武侠世界中，葵花宝典被誉为武学秘籍中的巅峰之作，其威力之强大，让无数江湖侠士为之倾倒。然而，要想一窥葵花宝典的奥秘，却并非易事。在众多武侠小说和影视作品中，我们常常看到这样的提示：“已满18岁请点此进入葵花宝典”。那么，这个神秘的葵花宝典究竟有何秘密？为何要设定年龄限制？今天，就让我们一起来揭开这个谜团。 首先，让我们来了解一下葵花宝典的来历。据传，葵花宝典是由一位名叫独孤求败的武林高手所著。独孤求败在一生中，历经磨难，终于领悟了武学的真谛，遂将毕生所学融入这本秘籍之中。葵花宝典中记载的武功，威力强大，但修炼难度极高，非有极高悟性和毅力者不能修炼。 那么，为何葵花宝典要设定年龄限制呢？其实，这并非是葵花宝典本身的限制，而是出于对修炼者的保护。葵花宝典中记载的武功，虽然威力强大，但修炼过程中却充满了危险。若修炼者年龄太小，身体尚未发育成熟，修炼葵花宝典很容易导致走火入魔，甚至危及生命。 此外，葵花宝典的修炼过程极为艰难，需要修炼者具备极高的悟性和毅力。年轻时的修炼者，往往容易受到外界诱惑，难以专心致志地修炼。因此，设定年龄限制，也是为了筛选出真正有志于修炼葵花宝典的人。 那么，已满18岁的人是否就能修炼葵花宝典呢？答案是否定的。即使年龄符合要求，修炼葵花宝典仍需具备一定的条件。首先，修炼者需具备一定的武学基础，否则很难理解葵花宝典中的深奥道理。其次，修炼者需有一颗坚定的心，敢于面对修炼过程中的种种困难。最后，修炼者还需具备一定的道德品质，以免将葵花宝典中的武功用于邪恶目的。 如今，随着网络技术的发展，许多武侠爱好者纷纷在网上寻找葵花宝典的电子版。然而，这些所谓的“葵花宝典”大多为后人杜撰，并非真正的葵花宝典。真正的葵花宝典，至今仍藏于深山之中，等待着有缘人去探寻。 总之，葵花宝典作为武侠世界中的神秘秘籍，其背后蕴含着丰富的故事和哲理。已满18岁的人，若想一窥葵花宝典的奥秘，还需具备一定的条件。在追寻葵花宝典的过程中，我们不仅能领略到武学的魅力，更能体会到人生的真谛。而那神秘的葵花宝典，也将继续在江湖中流传，成为一代又一代武侠爱好者的信仰。

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。