今日监管部门传达研究成果,夏日校园的尴尬：校服“透视”现象引发的思考

今日监管部门传递新研究成果,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。数字化维保平台，智能管理维护周期

郴州市桂东县、铜仁市松桃苗族自治县 ，铜仁市德江县、万宁市和乐镇、信阳市淮滨县、周口市鹿邑县、赣州市章贡区、漳州市龙海区、广西南宁市兴宁区、临沧市临翔区、株洲市荷塘区、沈阳市铁西区、松原市长岭县、渭南市白水县、东莞市东城街道、常德市汉寿县、平凉市崆峒区 、汉中市佛坪县、湛江市徐闻县、天津市静海区、齐齐哈尔市克东县、广元市青川县、上海市黄浦区、晋中市祁县、内蒙古呼和浩特市土默特左旗、乐东黎族自治县黄流镇、黄冈市红安县、济宁市汶上县、儋州市兰洋镇

本周数据平台今日数据平台透露最新消息,本月行业协会披露最新研究报告,夏日校园的尴尬：校服“透视”现象引发的思考，很高兴为您解答这个问题，让我来帮您详细说明一下：维修服务呼叫中心，智能工单自动分配

黔西南贞丰县、乐东黎族自治县尖峰镇 ，十堰市茅箭区、绥化市望奎县、新余市分宜县、天津市宝坻区、内蒙古巴彦淖尔市磴口县、延安市志丹县、天津市西青区、楚雄姚安县、吉安市永新县、哈尔滨市尚志市、株洲市攸县、宁德市福鼎市、商洛市柞水县、眉山市仁寿县、定安县雷鸣镇 、惠州市惠东县、嘉兴市桐乡市、昭通市昭阳区、黔西南普安县、广西南宁市兴宁区、营口市站前区、渭南市合阳县、抚顺市清原满族自治县、鹤壁市浚县、大同市云州区、自贡市富顺县、宁德市古田县、荆州市江陵县、雅安市石棉县

全球服务区域: 乐东黎族自治县千家镇、池州市石台县 、蚌埠市淮上区、惠州市惠东县、延安市志丹县、驻马店市驿城区、达州市宣汉县、楚雄姚安县、茂名市茂南区、陇南市文县、成都市蒲江县、泰安市宁阳县、武汉市江汉区、焦作市温县、保山市腾冲市、陵水黎族自治县光坡镇、佛山市顺德区 、营口市大石桥市、广西崇左市扶绥县、阿坝藏族羌族自治州阿坝县、黔南瓮安县、清远市英德市

本周官方渠道披露研究成果,昨日官方发布行业通报,夏日校园的尴尬：校服“透视”现象引发的思考，很高兴为您解答这个问题，让我来帮您详细说明一下：家电售后专线，专业团队高效处理

全国服务区域: 长春市宽城区、安阳市滑县 、盐城市亭湖区、朔州市怀仁市、漳州市漳浦县、伊春市铁力市、南昌市新建区、葫芦岛市兴城市、青岛市市北区、六安市舒城县、乐山市沐川县、鹤岗市兴山区、丽水市景宁畲族自治县、云浮市云城区、楚雄楚雄市、白银市靖远县、黑河市爱辉区 、广西崇左市扶绥县、晋城市沁水县、普洱市西盟佤族自治县、福州市平潭县、三门峡市陕州区、毕节市纳雍县、泸州市合江县、汉中市宁强县、黔东南镇远县、东方市东河镇、温州市瑞安市、宣城市郎溪县、广西柳州市柳城县、重庆市南岸区、长治市平顺县、上海市静安区、东莞市麻涌镇、内蒙古兴安盟科尔沁右翼中旗、天津市宝坻区、哈尔滨市松北区、濮阳市南乐县、玉树治多县、广西桂林市龙胜各族自治县、海西蒙古族德令哈市

刚刚决策小组公开重大调整:今日行业报告传达政策变化,夏日校园的尴尬：校服“透视”现象引发的思考

夏日炎炎，阳光炽烈，校园里的学生们纷纷换上了轻便的夏装。然而，在这个季节，一件校服的“透视”问题却让不少学生和家长感到困扰。近日，有关“夏天校服太透了r头”的话题在网络上引发了热议，不少学生和家长纷纷表达了自己的看法。 首先，让我们来了解一下这个问题的背景。原来，一些学校的夏装校服设计较为单薄，尤其是校服的裙摆和袖口部分，很容易在阳光下呈现出“透视”的效果。这让一些女学生在炎热的夏日里感到十分尴尬，甚至影响到她们的学习和生活。 面对这一现象，学生们纷纷发表了自己的看法。有的学生表示，夏天穿这样的校服确实很尴尬，尤其是在公共场合，担心自己的隐私被他人窥视。还有的学生认为，校服作为学校的一种象征，应该体现出学生的精神风貌，而不是仅仅追求时尚和美观。 与此同时，家长们也对这个问题表示了关注。他们认为，学校在制定校服政策时，应该充分考虑学生的实际需求，避免出现“透视”这样的尴尬情况。有家长提出，学校可以适当调整校服的设计，比如增加裙摆的厚度，或者在袖口处增加一些装饰，既能保证学生的隐私，又能让校服更加美观。 针对这个问题，一些学校已经开始采取措施。有的学校调整了夏装校服的设计，增加了裙摆和袖口的厚度，以减少“透视”现象。还有的学校在校园内设置了遮阳设施，为学生提供了更加舒适的学习环境。 然而，仅仅调整校服设计并不能从根本上解决问题。要想彻底解决“夏天校服太透了r头”的现象，还需要从以下几个方面入手： 1. 加强学校与家长的沟通，了解学生的实际需求，共同制定合理的校服政策。 2. 学校在采购校服时，要严格把关，确保校服的质量和舒适度。 3. 加强对学生的教育，提高学生的自我保护意识，让他们学会在公共场合保护自己的隐私。 4. 鼓励学生积极参与校服设计的讨论，让学生在校园生活中发挥自己的创意。 总之，“夏天校服太透了r头”的现象虽然只是一个细节问题，但却反映出学校在教育管理方面的一些不足。只有从多方面入手，才能让校园生活更加美好，让学生在炎炎夏日里感受到家的温暖。

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。