本月行业报告更新新变化,“打扑克牌不盖被子怎么办：温馨提示与解决方案”

昨日行业报告更新行业新动向,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。全国统一延保标准，透明服务条款

揭阳市榕城区、陵水黎族自治县三才镇 ，赣州市宁都县、迪庆香格里拉市、周口市项城市、东营市东营区、盐城市滨海县、白沙黎族自治县元门乡、临汾市古县、南京市雨花台区、齐齐哈尔市铁锋区、榆林市清涧县、漳州市龙海区、聊城市莘县、韶关市乐昌市、潍坊市诸城市、湘潭市雨湖区 、榆林市绥德县、甘孜白玉县、恩施州巴东县、大庆市肇源县、焦作市温县、海口市秀英区、朔州市山阴县、大理南涧彝族自治县、内蒙古呼和浩特市托克托县、酒泉市肃州区、潍坊市临朐县、锦州市北镇市

刚刚应急团队公布处置方案,本月行业协会发布重要动态,“打扑克牌不盖被子怎么办：温馨提示与解决方案”，很高兴为您解答这个问题，让我来帮您详细说明一下：智能派单服务中心，精准匹配维修师傅

宁夏固原市隆德县、黄冈市英山县 ，信阳市息县、昭通市大关县、济南市历下区、丹东市元宝区、琼海市博鳌镇、宁德市福安市、马鞍山市当涂县、七台河市新兴区、澄迈县永发镇、淄博市桓台县、三亚市崖州区、池州市贵池区、苏州市常熟市、延安市洛川县、广西防城港市港口区 、宣城市绩溪县、益阳市赫山区、朝阳市双塔区、东莞市长安镇、楚雄牟定县、临沂市郯城县、松原市长岭县、达州市通川区、荆州市石首市、淮安市淮阴区、伊春市金林区、太原市晋源区、渭南市临渭区、辽阳市辽阳县

全球服务区域: 内蒙古赤峰市翁牛特旗、吉安市青原区 、文昌市重兴镇、凉山会东县、南充市南部县、洛阳市瀍河回族区、内蒙古赤峰市克什克腾旗、重庆市北碚区、连云港市灌云县、马鞍山市和县、广西贺州市平桂区、绵阳市北川羌族自治县、郑州市二七区、广西百色市田林县、滁州市南谯区、朔州市朔城区、韶关市乐昌市 、长沙市开福区、通化市辉南县、金华市东阳市、杭州市西湖区、哈尔滨市道外区

昨日官方渠道公开新变化,本月行业报告传递研究成果,“打扑克牌不盖被子怎么办：温馨提示与解决方案”，很高兴为您解答这个问题，让我来帮您详细说明一下：全国统一延保标准，透明服务条款

全国服务区域: 忻州市河曲县、济南市槐荫区 、杭州市富阳区、漳州市华安县、怒江傈僳族自治州福贡县、梅州市五华县、庆阳市正宁县、定安县雷鸣镇、达州市万源市、赣州市寻乌县、伊春市嘉荫县、东方市江边乡、天津市北辰区、自贡市大安区、萍乡市上栗县、定安县龙湖镇、长春市农安县 、白银市景泰县、鞍山市千山区、淄博市桓台县、朔州市平鲁区、赣州市会昌县、福州市鼓楼区、阿坝藏族羌族自治州茂县、北京市延庆区、凉山美姑县、怀化市新晃侗族自治县、通化市辉南县、漳州市芗城区、本溪市桓仁满族自治县、阳江市阳春市、烟台市龙口市、晋中市左权县、重庆市云阳县、黔东南黎平县、阜阳市颍州区、徐州市睢宁县、内蒙古阿拉善盟阿拉善右旗、泉州市洛江区、南平市延平区、烟台市招远市

本周数据平台最新官方渠道传来研究成果:刚刚官方渠道披露重要信息,“打扑克牌不盖被子怎么办：温馨提示与解决方案”

在寒冷的冬夜，与亲朋好友围坐在一起打扑克牌，无疑是一种享受。然而，有时候因为疏忽，我们可能会忘记盖被子，导致感冒或着凉。那么，打扑克牌不盖被子怎么办呢？以下是一些温馨提示和解决方案，希望能帮助大家度过一个温暖舒适的夜晚。 ### 1. 提前准备 在开始打扑克牌之前，提前将被子盖好，确保室内温度适宜。这样，在游戏过程中，大家就不会因为寒冷而分心。 ### 2. 使用电热毯 电热毯是一种很好的取暖工具，可以在不盖被子的情况下提供温暖。使用电热毯时，请注意安全，避免长时间使用，以免造成身体不适。 ### 3. 调整室内温度 如果家中没有电热毯，可以尝试调整室内温度。使用空调、暖气等设备，将室内温度控制在适宜范围内，这样即使不盖被子，也不会感到寒冷。 ### 4. 穿保暖衣物 在打扑克牌时，可以适当穿着保暖衣物，如毛衣、围巾、手套等。这样，即使不盖被子，也能保持身体温暖。 ### 5. 使用热水袋 热水袋是一种简单易用的取暖工具，可以将热水袋放在腿上或腹部，以提供温暖。使用时，请注意热水袋的温度，避免烫伤。 ### 6. 定期活动 在打扑克牌的过程中，可以适当起身活动，促进血液循环，避免长时间保持同一姿势导致身体不适。 ### 7. 注意饮食 在打扑克牌时，可以适当饮用热饮，如热茶、热牛奶等，以增加身体热量。同时，注意饮食均衡，补充营养，提高身体抵抗力。 ### 8. 保持室内通风 在保证室内温度的同时，也要注意保持室内通风。这样可以避免空气过于干燥，减少感冒的风险。 ### 9. 使用加湿器 在干燥的冬季，可以使用加湿器增加室内湿度，使空气更加舒适。这样，即使不盖被子，也能感受到温暖。 ### 10. 注意个人卫生 在打扑克牌的过程中，要注意个人卫生，勤洗手，避免感冒病毒传播。 总之，打扑克牌不盖被子并不是什么大问题，只要我们采取一些预防措施，就能在享受游戏的同时，保持身体温暖。希望以上温馨提示和解决方案能帮助大家度过一个愉快的冬季夜晚。

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。