本月官方渠道传递新进展,“同最讨厌的部长出差：一场意外中的成长之旅”

今日监管部门传达研究成果,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。售后服务热线，专业团队保障质量

漯河市郾城区、张家界市永定区 ，徐州市睢宁县、郴州市苏仙区、韶关市南雄市、东营市垦利区、长治市潞城区、白沙黎族自治县青松乡、内蒙古阿拉善盟阿拉善右旗、东莞市高埗镇、内蒙古鄂尔多斯市东胜区、永州市宁远县、延安市安塞区、岳阳市云溪区、南充市高坪区、五指山市水满、黄冈市武穴市 、黔南长顺县、温州市乐清市、鸡西市滴道区、伊春市大箐山县、淄博市张店区、赣州市于都县、九江市修水县、开封市祥符区、保山市腾冲市、南平市顺昌县、直辖县神农架林区、广安市华蓥市

本周数据平台本月官方渠道披露重要进展,今日监管部门传达研究成果,“同最讨厌的部长出差：一场意外中的成长之旅”，很高兴为您解答这个问题，让我来帮您详细说明一下：售后咨询服务中心，全时段多渠道服务

楚雄永仁县、内蒙古锡林郭勒盟镶黄旗 ，河源市和平县、昆明市东川区、黔东南岑巩县、曲靖市富源县、南通市如皋市、黄石市黄石港区、西宁市城东区、娄底市娄星区、中山市东升镇、迪庆维西傈僳族自治县、琼海市石壁镇、临夏东乡族自治县、广西贵港市平南县、朔州市朔城区、吉林市桦甸市 、南京市玄武区、抚州市黎川县、韶关市南雄市、宁夏固原市彭阳县、兰州市皋兰县、攀枝花市东区、玉树囊谦县、遵义市绥阳县、通化市通化县、上海市黄浦区、成都市青羊区、临汾市古县、衡阳市蒸湘区、内蒙古阿拉善盟阿拉善右旗

全球服务区域: 黑河市嫩江市、绥化市肇东市 、大理永平县、赣州市上犹县、肇庆市鼎湖区、郑州市中原区、泰州市姜堰区、黄南同仁市、泉州市惠安县、三明市沙县区、烟台市龙口市、邵阳市武冈市、佛山市高明区、遂宁市射洪市、汉中市佛坪县、三明市大田县、内蒙古呼伦贝尔市阿荣旗 、商洛市丹凤县、楚雄永仁县、沈阳市沈河区、信阳市淮滨县、上海市闵行区

本周数据平台近期相关部门公布权威通报,近日行业报告披露重要信息,“同最讨厌的部长出差：一场意外中的成长之旅”，很高兴为您解答这个问题，让我来帮您详细说明一下：专业技术救援中心，重大故障专家会诊

全国服务区域: 黄冈市黄梅县、广西来宾市武宣县 、绥化市北林区、内蒙古兴安盟科尔沁右翼中旗、咸阳市旬邑县、东莞市石排镇、东方市感城镇、汉中市宁强县、西安市灞桥区、凉山昭觉县、宜宾市筠连县、宁夏固原市西吉县、南京市江宁区、延安市宜川县、宝鸡市凤县、景德镇市昌江区、新余市分宜县 、萍乡市安源区、株洲市茶陵县、湛江市徐闻县、烟台市福山区、晋中市祁县、鹰潭市余江区、红河石屏县、本溪市南芬区、郴州市资兴市、太原市迎泽区、上饶市婺源县、长春市双阳区、平凉市崆峒区、宝鸡市渭滨区、海东市民和回族土族自治县、信阳市商城县、三明市尤溪县、内蒙古鄂尔多斯市康巴什区、内蒙古巴彦淖尔市乌拉特中旗、海东市民和回族土族自治县、揭阳市惠来县、六安市舒城县、徐州市新沂市、滨州市无棣县

近日观测中心传出重要预警:本月行业报告披露重大进展,“同最讨厌的部长出差：一场意外中的成长之旅”

出差，对于职场人来说，是家常便饭。然而，当这次出差的搭档是你最讨厌的部长时，事情就变得复杂起来。我，张晓，一个普通职员，就遭遇了这样一场意外。 那天，公司突然接到一个紧急任务，要求我们部门与市场部共同完成。部长李明，一个严肃认真、一丝不苟的人，成了我的出差搭档。在此之前，我对李明并无好感，觉得他过于苛刻，对下属要求过高，让人难以接近。 出发前，我特意收拾了满满一箱零食，希望能用美食来缓解这次出差的尴尬。然而，现实总是出人意料。 火车上，李明一直低头看文件，对周围的环境视而不见。我试图找些话题，但每次都碰壁。我只好默默地吃着零食，看着窗外飞逝的风景。 抵达目的地后，我们开始了忙碌的工作。李明认真负责，对每一个细节都严格把关。我虽然心里不情愿，但也不得不佩服他的敬业精神。在合作过程中，我发现李明并非我想象中那么讨厌，他也有幽默的一面，只是不善于表达。 一天晚上，我们结束了一天的工作，回到酒店。疲惫的我躺在床上，突然听到李明在客厅里自言自语。我好奇地走过去，看到他在看一本关于人际交往的书。我忍不住问：“李部长，你为什么看这本书？” 李明抬起头，笑了笑：“我觉得自己在这方面有些欠缺，想学习一下如何更好地与人相处。” 听到这里，我有些惊讶。没想到，这个一直让我讨厌的部长，竟然在努力改变自己。我心中涌起一股敬佩之情。 接下来的几天，我们共同完成了任务。在相处过程中，我发现李明其实是一个很有责任心、关心下属的人。他不仅在工作上给予我很多帮助，还在生活中关心我的生活。我开始逐渐改变对他的看法。 出差结束后，我们回到公司。我主动向李明道歉，表示自己之前对他的误解。李明微笑着说：“没关系，每个人都有自己的优点和缺点，关键是要学会包容和理解。” 这次出差，让我收获颇丰。我学会了如何与不同性格的人相处，也明白了每个人都有成长的空间。而这一切，都源于那次与最讨厌的部长出差的经历。 如今，我已经不再讨厌李明，反而对他充满了敬意。我相信，在未来的工作中，我们会成为更好的合作伙伴。而这次意外中的成长之旅，将成为我人生中宝贵的财富。

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。