今日行业报告传递新变化,《火炬之光2：洗点系统解析，带你深入了解游戏中的点数分配奥秘》

最新官方渠道发布研究成果,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。以旧换新服务中心，全流程指导

通化市辉南县、大兴安岭地区塔河县 ，天津市蓟州区、万宁市和乐镇、焦作市孟州市、上海市宝山区、万宁市东澳镇、运城市万荣县、临沂市蒙阴县、南阳市卧龙区、铜陵市义安区、吉林市船营区、延边敦化市、肇庆市端州区、宣城市郎溪县、文昌市龙楼镇、临汾市汾西县 、长治市屯留区、兰州市永登县、黄冈市黄州区、毕节市赫章县、湘潭市韶山市、阿坝藏族羌族自治州红原县、南京市浦口区、双鸭山市四方台区、黑河市爱辉区、宁德市福安市、衡阳市石鼓区、池州市青阳县

统一售后服务专线，全国联网服务,昨日研究机构公开最新成果,《火炬之光2：洗点系统解析，带你深入了解游戏中的点数分配奥秘》，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，统一维修服务标准

武汉市洪山区、广西贵港市平南县 ，中山市沙溪镇、中山市南朗镇、咸阳市三原县、朔州市平鲁区、泉州市洛江区、岳阳市云溪区、三门峡市灵宝市、大理鹤庆县、济宁市汶上县、吉林市丰满区、邵阳市新宁县、内蒙古阿拉善盟阿拉善左旗、广西崇左市大新县、内蒙古呼伦贝尔市陈巴尔虎旗、鸡西市麻山区 、运城市河津市、内蒙古赤峰市敖汉旗、淮南市八公山区、天水市清水县、广西桂林市雁山区、黄冈市蕲春县、内蒙古赤峰市翁牛特旗、哈尔滨市方正县、扬州市宝应县、南昌市新建区、成都市崇州市、济宁市嘉祥县、上饶市余干县、陵水黎族自治县椰林镇

全球服务区域: 遵义市湄潭县、陇南市徽县 、聊城市东昌府区、伊春市铁力市、茂名市茂南区、上海市崇明区、中山市民众镇、金华市磐安县、哈尔滨市阿城区、临汾市曲沃县、太原市迎泽区、怀化市辰溪县、赣州市赣县区、内蒙古通辽市库伦旗、东莞市桥头镇、怀化市麻阳苗族自治县、广西柳州市柳江区 、眉山市洪雅县、六安市霍山县、毕节市金沙县、大庆市萨尔图区、吉安市庐陵新区

本周数据平台今日官方渠道披露重磅消息,今日监管部门发布重大研究成果,《火炬之光2：洗点系统解析，带你深入了解游戏中的点数分配奥秘》，很高兴为您解答这个问题，让我来帮您详细说明一下：全国联网维保服务，统一护理标准

全国服务区域: 南京市高淳区、红河石屏县 、内蒙古通辽市扎鲁特旗、温州市龙港市、安阳市汤阴县、济南市莱芜区、广西来宾市武宣县、北京市房山区、鞍山市铁西区、广西防城港市东兴市、宁夏石嘴山市平罗县、忻州市岢岚县、齐齐哈尔市昂昂溪区、南平市建阳区、武汉市洪山区、庆阳市合水县、安庆市潜山市 、咸阳市渭城区、韶关市浈江区、广西钦州市钦北区、温州市鹿城区、十堰市竹山县、景德镇市昌江区、广元市朝天区、嘉兴市海宁市、内蒙古呼伦贝尔市额尔古纳市、三明市泰宁县、楚雄武定县、大理洱源县、韶关市武江区、南平市延平区、葫芦岛市兴城市、宜宾市江安县、乐东黎族自治县志仲镇、广西北海市银海区、株洲市芦淞区、内蒙古鄂尔多斯市杭锦旗、常州市新北区、商丘市宁陵县、重庆市潼南区、威海市环翠区

本周数据平台本月官方渠道公布权威通报:本月行业协会披露最新研究报告,《火炬之光2：洗点系统解析，带你深入了解游戏中的点数分配奥秘》

《火炬之光2》作为一款深受玩家喜爱的动作角色扮演游戏，自推出以来就以其丰富的游戏内容和高度的自由度赢得了众多玩家的喜爱。在游戏中，玩家可以通过各种方式提升自己的角色实力，而洗点系统则是其中的一大亮点。那么，火炬之光2能洗点吗？本文将为您详细解析这一系统，帮助您更好地了解游戏中的点数分配奥秘。 ### 洗点系统简介 在《火炬之光2》中，洗点系统允许玩家在达到一定条件后，重新分配角色的属性点数。这一系统为玩家提供了更多的游戏选择和角色定制空间，使得每个玩家都能根据自己的喜好和游戏风格打造独一无二的英雄。 ### 洗点条件 要想在《火炬之光2》中洗点，玩家需要满足以下条件： 1. 等级达到20级：玩家需要将角色等级提升至20级，才能解锁洗点功能。 2. 消耗洗点卷轴：在游戏商店中购买洗点卷轴，消耗一定数量的金币后，即可进行洗点操作。 ### 洗点流程 1. 打开角色界面：在游戏主界面点击角色头像，进入角色界面。 2. 选择洗点功能：在角色界面中，找到洗点功能，点击进入。 3. 查看当前属性点数：在洗点界面，您可以查看当前角色的属性点数分配情况。 4. 重新分配属性点数：根据您的需求，重新分配属性点数。需要注意的是，洗点后无法恢复，请谨慎操作。 5. 确认洗点：在确认洗点后，系统会自动为您重新分配属性点数，并扣除相应的洗点卷轴。 ### 洗点技巧 1. 合理分配属性点：在洗点时，建议根据您的游戏风格和角色定位，合理分配属性点。例如，如果您是近战角色，则可以将力量和敏捷属性点分配得更多。 2. 关注洗点次数：游戏内洗点次数有限，请珍惜每次洗点机会。 3. 利用洗点卷轴：在游戏商店中购买洗点卷轴，以便在需要时进行洗点操作。 ### 总结 《火炬之光2》的洗点系统为玩家提供了丰富的游戏选择和角色定制空间。通过合理分配属性点，玩家可以打造出适合自己的角色，从而在游戏中获得更好的游戏体验。希望本文的解析能帮助您更好地了解洗点系统，为您的游戏之路增添更多乐趣。

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。