本周官方渠道传达新成果,探索CF兰透视图：揭示游戏世界的立体奥秘

今日研究机构披露重要进展,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。家电问题反馈专线，多渠道受理投诉

郑州市新郑市、大同市浑源县 ，咸宁市崇阳县、泉州市鲤城区、福州市马尾区、天津市津南区、三明市三元区、淮南市田家庵区、雅安市天全县、丹东市凤城市、太原市小店区、安康市平利县、济宁市嘉祥县、达州市通川区、黄南河南蒙古族自治县、广州市越秀区、眉山市青神县 、雅安市天全县、重庆市石柱土家族自治县、宜昌市夷陵区、南昌市南昌县、双鸭山市宝清县、武汉市汉阳区、鞍山市海城市、江门市蓬江区、乐东黎族自治县九所镇、昭通市彝良县、阿坝藏族羌族自治州小金县、盐城市亭湖区

近日检测中心传出核心指标,今日行业报告发布研究成果,探索CF兰透视图：揭示游戏世界的立体奥秘，很高兴为您解答这个问题，让我来帮您详细说明一下：专业维修调度中心，快速响应各类需求

开封市鼓楼区、乐东黎族自治县万冲镇 ，临沧市沧源佤族自治县、黑河市北安市、凉山金阳县、临高县南宝镇、琼海市会山镇、四平市公主岭市、丹东市元宝区、直辖县天门市、福州市闽侯县、大理大理市、三明市三元区、内蒙古阿拉善盟额济纳旗、泉州市永春县、岳阳市云溪区、宣城市宣州区 、宁夏固原市彭阳县、天水市张家川回族自治县、金华市义乌市、汕头市潮南区、株洲市攸县、本溪市溪湖区、渭南市澄城县、齐齐哈尔市克东县、陇南市徽县、果洛班玛县、玉溪市江川区、重庆市武隆区、普洱市江城哈尼族彝族自治县、曲靖市师宗县

全球服务区域: 西安市碑林区、大庆市林甸县 、玉树曲麻莱县、昌江黎族自治县石碌镇、平凉市崇信县、广西南宁市隆安县、扬州市仪征市、重庆市城口县、儋州市峨蔓镇、西安市新城区、亳州市蒙城县、伊春市大箐山县、株洲市渌口区、广西钦州市灵山县、眉山市青神县、哈尔滨市松北区、澄迈县金江镇 、安庆市宜秀区、葫芦岛市兴城市、鸡西市滴道区、大连市瓦房店市、东莞市虎门镇

近日研究机构传出突破成果,本周行业报告传递重大进展,探索CF兰透视图：揭示游戏世界的立体奥秘，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

全国服务区域: 漯河市郾城区、泉州市泉港区 、鸡西市滴道区、周口市项城市、莆田市城厢区、驻马店市驿城区、泉州市石狮市、甘孜新龙县、广西贵港市覃塘区、惠州市惠阳区、黄冈市黄梅县、淄博市张店区、广西崇左市龙州县、黄冈市红安县、赣州市瑞金市、武威市凉州区、三沙市西沙区 、福州市罗源县、辽源市东辽县、长治市屯留区、大理永平县、扬州市广陵区、大庆市红岗区、莆田市涵江区、通化市二道江区、大理永平县、六安市金寨县、泰州市靖江市、宁波市海曙区、开封市尉氏县、洛阳市孟津区、济南市天桥区、榆林市榆阳区、铜仁市石阡县、哈尔滨市延寿县、洛阳市宜阳县、重庆市渝北区、吕梁市离石区、湘潭市韶山市、凉山会东县、嘉兴市南湖区

专家远程指导热线，多终端:本月研究机构公开新进展,探索CF兰透视图：揭示游戏世界的立体奥秘

在众多热门游戏之中，CF（穿越火线）无疑是一款深受玩家喜爱的射击游戏。这款游戏以其紧张刺激的战斗场面、丰富的游戏模式和高度还原的枪械效果，吸引了无数玩家。而在这其中，CF的兰透视图更是以其独特的视角和立体效果，为玩家带来了一场视觉盛宴。 兰透视图，顾名思义，就是通过兰伯特投影法将三维空间中的物体投影到二维平面上，从而呈现出一种立体感。在CF游戏中，兰透视图的应用主要体现在角色、武器和场景的展示上。下面，我们就来详细了解一下CF兰透视图的魅力所在。 首先，CF兰透视图在角色展示方面具有极高的还原度。游戏中的角色形象各异，从英勇的特种兵到机智的潜伏者，每一个角色都拥有独特的造型和动作。通过兰透视图，这些角色在二维平面上展现出了立体感，使得玩家在游戏过程中能够更加直观地感受到角色的特点。 其次，CF兰透视图在武器展示方面同样表现出色。游戏中的武器种类繁多，从手枪、步枪到狙击枪，每一把武器都有其独特的性能和外观。兰透视图的应用使得这些武器在二维平面上呈现出三维效果，让玩家在选购武器时能够更加直观地了解武器的性能。 此外，CF兰透视图在场景展示方面也具有很高的艺术价值。游戏中的场景设计精美，从繁华的城市到荒凉的沙漠，每一个场景都充满了故事。通过兰透视图，这些场景在二维平面上呈现出立体感，使得玩家在游戏过程中仿佛置身于真实世界。 当然，CF兰透视图的应用并非完美无缺。在游戏过程中，部分玩家可能会因为兰透视图的立体效果而感到不适，尤其是在高速移动或射击时，可能会出现视觉疲劳。但总体来说，CF兰透视图为玩家带来的视觉体验是值得肯定的。 为了更好地发挥兰透视图的作用，CF游戏团队在游戏设计上做了很多努力。例如，在角色建模时，充分考虑了角色的立体感；在场景设计上，注重场景的层次感和空间感；在武器展示上，力求还原武器的外观和性能。这些努力使得CF兰透视图在游戏中得到了充分的体现。 值得一提的是，CF兰透视图的应用并非局限于游戏本身。在游戏宣传、周边产品等方面，CF团队也充分利用了兰透视图的优势。例如，CF官方发布的海报、宣传视频等，都采用了兰透视图进行展示，使得游戏形象更加立体、生动。 总之，CF兰透视图作为一款射击游戏的重要元素，为玩家带来了独特的视觉体验。在未来的游戏设计中，相信CF团队会继续发挥兰透视图的优势，为玩家带来更多精彩的游戏内容。而对于我们这些热爱CF的玩家来说，欣赏兰透视图所带来的立体世界，无疑是一种享受。让我们一起期待CF在兰透视图方面的更多创新与突破吧！

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。