本月行业协会公开行业研究成果,正宗老黄历传统文化探秘：老黄历的奥秘

本月相关部门发布新政策,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。以旧换新服务中心，全流程指导

广西南宁市上林县、天水市张家川回族自治县 ，广西贺州市富川瑶族自治县、惠州市惠阳区、果洛甘德县、六安市舒城县、清远市清新区、澄迈县文儒镇、自贡市贡井区、咸阳市淳化县、吉安市永新县、云浮市云城区、大同市平城区、信阳市罗山县、内蒙古鄂尔多斯市乌审旗、内蒙古鄂尔多斯市鄂托克旗、伊春市伊美区 、西安市高陵区、抚州市金溪县、平凉市泾川县、白沙黎族自治县荣邦乡、成都市新都区、成都市简阳市、佛山市高明区、定安县雷鸣镇、渭南市合阳县、阜新市清河门区、韶关市始兴县、湖州市吴兴区

本周数据平台近期数据平台透露新政策,本月行业报告披露新成果,正宗老黄历传统文化探秘：老黄历的奥秘，很高兴为您解答这个问题，让我来帮您详细说明一下：全国统一配件标准，质量保证无忧

吉安市遂川县、湖州市德清县 ，儋州市白马井镇、广西柳州市柳北区、乐山市五通桥区、平凉市崆峒区、遵义市桐梓县、广西防城港市上思县、淄博市张店区、郑州市中牟县、重庆市石柱土家族自治县、广西河池市东兰县、商丘市民权县、上海市宝山区、泉州市洛江区、周口市西华县、内蒙古兴安盟乌兰浩特市 、孝感市云梦县、济宁市邹城市、清远市连山壮族瑶族自治县、南平市松溪县、广西柳州市柳南区、安庆市桐城市、毕节市金沙县、珠海市斗门区、红河个旧市、重庆市大足区、泉州市石狮市、抚顺市新宾满族自治县、黔东南黄平县、内江市市中区

全球服务区域: 遵义市桐梓县、大连市金州区 、内蒙古鄂尔多斯市鄂托克旗、南充市营山县、温州市龙港市、昆明市官渡区、襄阳市襄州区、天水市张家川回族自治县、黄冈市黄州区、绥化市望奎县、广元市利州区、铜仁市松桃苗族自治县、天津市滨海新区、商丘市宁陵县、南通市如东县、红河弥勒市、宜昌市当阳市 、通化市通化县、新乡市获嘉县、乐山市井研县、内蒙古呼和浩特市赛罕区、内蒙古通辽市奈曼旗

本月官方渠道传达政策动向,近日监管部门透露最新动态,正宗老黄历传统文化探秘：老黄历的奥秘，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

全国服务区域: 清远市连州市、周口市鹿邑县 、武汉市洪山区、淮安市洪泽区、上海市闵行区、东莞市石碣镇、北京市通州区、黔南荔波县、南充市蓬安县、金昌市金川区、大同市天镇县、锦州市凌河区、抚州市南城县、新乡市卫滨区、白沙黎族自治县阜龙乡、芜湖市镜湖区、天水市清水县 、萍乡市莲花县、榆林市清涧县、玉溪市易门县、江门市台山市、酒泉市玉门市、延安市甘泉县、四平市伊通满族自治县、天水市清水县、汉中市西乡县、南京市建邺区、哈尔滨市通河县、滨州市无棣县、鸡西市滴道区、广西来宾市忻城县、烟台市招远市、杭州市下城区、天津市东丽区、巴中市巴州区、通化市梅河口市、昭通市盐津县、黄南河南蒙古族自治县、惠州市博罗县、定安县黄竹镇、怀化市芷江侗族自治县

本周数据平台最新相关部门透露权威通报:本月研究机构披露重要动态,正宗老黄历传统文化探秘：老黄历的奥秘

在现代社会，人们越来越重视个人隐私和数据安全。随着科技的发展，我们的生活方式和工作方式都发生了翻天覆地的变化，但这也带来了一系列新的挑战。在这样一个信息爆炸的时代，保护个人隐私和数据安全变得尤为重要。 首先，我们需要认识到，个人信息的泄露可能会导致严重的后果。从身份盗窃到金融诈骗，个人信息的不当使用可能会给个人带来巨大的经济损失和精神压力。因此，我们必须采取措施来保护我们的个人信息不被滥用。 其次，企业在收集和处理用户数据时，也必须遵守相关的法律法规。这不仅涉及到法律责任，也是企业社会责任的体现。企业应该建立严格的数据保护机制，确保用户数据的安全和隐私。 在个人层面，我们也应该提高自己的信息安全意识。这包括定期更新密码，不随意透露个人信息，以及使用安全的网络连接等。通过这些简单的措施，我们可以在很大程度上减少个人信息泄露的风险。 此外，教育和培训也是提高公众信息安全意识的重要途径。学校、企业和社区都应该开展相关的教育活动，帮助人们了解信息安全的重要性，以及如何保护自己的隐私和数据。 最后，政府和监管机构也应该发挥其作用，制定和执行严格的数据保护法规。这不仅能够保护消费者的权益，也能够促进整个社会的健康发展。 综上所述，保护个人隐私和数据安全是一个多方面的工作，需要个人、企业、教育机构和政府的共同努力。通过提高信息安全意识，加强法律法规的执行，以及建立有效的数据保护机制，我们可以在享受科技带来的便利的同时，也确保我们的隐私和数据安全得到保护。这是一个持续的过程，需要我们不断地学习和适应新的挑战。个人观点是，每个人都应该成为自己信息安全的守护者，通过不断学习和实践，共同构建一个更加安全的信息环境。

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。