本月研究机构披露重要动态,涩悠悠狠狠干：揭秘网络用语背后的文化现象

昨日官方发布新变化,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。家电客服热线，系统自动分配订单

广西钦州市钦南区、东莞市莞城街道 ，果洛玛多县、鹤壁市浚县、延边和龙市、琼海市博鳌镇、徐州市睢宁县、保亭黎族苗族自治县什玲、驻马店市泌阳县、屯昌县西昌镇、甘孜石渠县、延边珲春市、潮州市湘桥区、内蒙古巴彦淖尔市五原县、淮安市金湖县、南京市建邺区、抚顺市清原满族自治县 、定安县龙湖镇、辽源市东辽县、云浮市新兴县、汕头市潮阳区、牡丹江市爱民区、丹东市凤城市、北京市门头沟区、汉中市佛坪县、镇江市丹阳市、内蒙古包头市土默特右旗、黄冈市浠水县、内蒙古兴安盟科尔沁右翼前旗

本周数据平台今日官方渠道公布最新动态,本周研究机构发布新报告,涩悠悠狠狠干：揭秘网络用语背后的文化现象，很高兴为您解答这个问题，让我来帮您详细说明一下：家电以旧换新热线，专业评估回收

广西贺州市八步区、海北海晏县 ，长春市南关区、黔东南岑巩县、内蒙古鄂尔多斯市鄂托克旗、苏州市吴江区、焦作市山阳区、五指山市通什、南阳市唐河县、茂名市高州市、宝鸡市陈仓区、泉州市南安市、龙岩市上杭县、开封市尉氏县、湘潭市雨湖区、白城市洮北区、日照市岚山区 、武汉市青山区、内蒙古呼和浩特市土默特左旗、西安市灞桥区、赣州市赣县区、定安县龙湖镇、泉州市永春县、大连市西岗区、果洛班玛县、重庆市黔江区、陇南市两当县、盐城市建湖县、定安县雷鸣镇、绵阳市江油市、衢州市柯城区

全球服务区域: 烟台市蓬莱区、盐城市响水县 、衡阳市南岳区、内蒙古鄂尔多斯市达拉特旗、陇南市成县、大兴安岭地区漠河市、伊春市汤旺县、亳州市谯城区、广元市昭化区、广西柳州市柳江区、铜仁市松桃苗族自治县、甘孜雅江县、盐城市阜宁县、西安市长安区、广西百色市田林县、佳木斯市前进区、上海市静安区 、沈阳市和平区、安庆市迎江区、苏州市常熟市、上海市青浦区、丽水市景宁畲族自治县

刚刚决策小组公开重大调整,昨日行业报告更新行业政策,涩悠悠狠狠干：揭秘网络用语背后的文化现象，很高兴为您解答这个问题，让我来帮您详细说明一下：家电保养提醒服务，延长产品使用寿命

全国服务区域: 许昌市禹州市、齐齐哈尔市建华区 、内蒙古呼和浩特市玉泉区、济南市商河县、重庆市巫溪县、渭南市华阴市、朝阳市凌源市、周口市商水县、安阳市汤阴县、甘南舟曲县、杭州市滨江区、凉山冕宁县、广西贺州市富川瑶族自治县、平顶山市石龙区、吕梁市临县、临高县新盈镇、三亚市天涯区 、徐州市泉山区、广西南宁市良庆区、儋州市雅星镇、连云港市灌南县、扬州市邗江区、绵阳市游仙区、内蒙古呼和浩特市赛罕区、吕梁市交城县、湘潭市湘乡市、上海市普陀区、西双版纳勐腊县、锦州市古塔区、吉安市峡江县、广州市从化区、昭通市永善县、吕梁市文水县、楚雄楚雄市、西安市高陵区、五指山市南圣、平顶山市郏县、衡阳市衡南县、赣州市会昌县、枣庄市山亭区、南充市西充县

本周官方渠道披露研究成果:今日国家机构披露行业新成果,涩悠悠狠狠干：揭秘网络用语背后的文化现象

随着互联网的普及，网络用语逐渐成为人们日常生活中不可或缺的一部分。其中，“涩悠悠狠狠干”这一网络用语，以其独特的表达方式，在网络上引起了广泛关注。本文将围绕这一关键词，探讨其背后的文化现象。 一、网络用语的发展 网络用语是网络文化的重要组成部分，它源于人们日常生活中的口语表达，经过网络传播和演变，逐渐形成了具有独特风格的网络语言。从早期的“哈哈”、“呵呵”到现在的“吃瓜群众”、“666”，网络用语不断更新迭代，反映了社会文化的变迁。 二、涩悠悠狠狠干的含义 “涩悠悠狠狠干”这一网络用语，由“涩悠悠”和“狠狠干”两部分组成。其中，“涩悠悠”形容事物缓慢、犹豫不决的样子，而“狠狠干”则表示用力、坚决地做某事。将这两部分结合起来，便形成了“涩悠悠狠狠干”这一富有讽刺意味的网络用语。 三、涩悠悠狠狠干的文化内涵 1. 反映社会现实 “涩悠悠狠狠干”这一网络用语，反映了现实生活中的一些现象。比如，某些人在面对问题时，表现出犹豫不决、拖延症的态度，而最终却要“狠狠干”地完成任务。这种对比，揭示了人们在面对困境时的矛盾心理。 2. 表达讽刺意味 网络用语往往具有讽刺意味，而“涩悠悠狠狠干”也不例外。它通过夸张、讽刺的手法，揭示了某些人在面对问题时，既拖延又急功近利的心态。 3. 体现网络文化的创新 “涩悠悠狠狠干”这一网络用语，体现了网络文化的创新。它将原本普通的词语进行组合，创造出新的表达方式，丰富了网络语言的内涵。 四、涩悠悠狠狠干的影响 1. 传播速度快 网络用语具有传播速度快、覆盖面广的特点。一旦某个网络用语流行起来，便会在短时间内迅速传播，成为人们热议的话题。 2. 影响社会文化 网络用语在一定程度上反映了社会文化的变迁。随着网络用语的流行，人们的生活方式、思维方式也在发生改变。 3. 促进网络交流 网络用语作为一种特殊的交流方式，有助于拉近人与人之间的距离，促进网络交流。 总之，“涩悠悠狠狠干”这一网络用语，以其独特的表达方式，在网络上引起了广泛关注。它不仅反映了社会现实，还体现了网络文化的创新。在今后的日子里，我们期待更多富有创意的网络用语涌现，为网络文化的发展贡献力量。

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。