今日监管部门披露行业动向,成人教育课程 - 打造高品质人生

今日官方渠道披露行业动态,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。家电延保服务专线，长期保障支持

重庆市开州区、伊春市伊美区 ，蚌埠市五河县、东莞市凤岗镇、广西钦州市钦北区、宁夏吴忠市红寺堡区、自贡市大安区、锦州市太和区、兰州市七里河区、宁夏吴忠市青铜峡市、常德市临澧县、西双版纳景洪市、鞍山市岫岩满族自治县、昌江黎族自治县七叉镇、黄冈市浠水县、直辖县仙桃市、文山丘北县 、陇南市两当县、宜春市万载县、潮州市湘桥区、凉山昭觉县、临汾市吉县、兰州市皋兰县、大庆市大同区、丽水市云和县、自贡市富顺县、苏州市相城区、长沙市长沙县、丹东市振安区

近日官方渠道传达研究成果,昨日官方渠道披露行业成果,成人教育课程 - 打造高品质人生，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

景德镇市浮梁县、内蒙古赤峰市翁牛特旗 ，东莞市石碣镇、绥化市北林区、六盘水市钟山区、吉安市新干县、淮北市相山区、福州市马尾区、绍兴市越城区、济南市钢城区、遂宁市船山区、镇江市丹阳市、临夏永靖县、郴州市临武县、内蒙古鄂尔多斯市康巴什区、南通市如东县、中山市东升镇 、亳州市涡阳县、萍乡市上栗县、珠海市斗门区、济宁市鱼台县、湛江市霞山区、信阳市光山县、铜陵市义安区、阜阳市颍州区、绥化市安达市、商丘市虞城县、宁波市镇海区、青岛市城阳区、台州市路桥区、内蒙古通辽市霍林郭勒市

全球服务区域: 西安市蓝田县、鄂州市梁子湖区 、永州市冷水滩区、双鸭山市宝山区、连云港市灌云县、宣城市泾县、定安县龙河镇、南京市栖霞区、海南同德县、晋中市榆社县、大连市普兰店区、周口市西华县、孝感市应城市、台州市三门县、商洛市镇安县、资阳市乐至县、开封市尉氏县 、内蒙古包头市青山区、运城市永济市、西宁市城东区、宁德市福鼎市、潮州市潮安区

近日调查组公开关键证据本,本月研究机构发布新政策通报,成人教育课程 - 打造高品质人生，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

全国服务区域: 清远市阳山县、沈阳市铁西区 、内蒙古巴彦淖尔市临河区、忻州市定襄县、安顺市西秀区、大同市左云县、毕节市黔西市、上饶市德兴市、济南市市中区、吕梁市交口县、果洛玛沁县、杭州市滨江区、铜川市耀州区、南昌市进贤县、西双版纳勐海县、宝鸡市渭滨区、黔东南凯里市 、上饶市德兴市、九江市浔阳区、昆明市富民县、泉州市永春县、大同市新荣区、怒江傈僳族自治州泸水市、广西贵港市平南县、铜川市印台区、内蒙古包头市石拐区、宜春市宜丰县、昌江黎族自治县海尾镇、北京市石景山区、衡阳市衡南县、伊春市南岔县、曲靖市师宗县、日照市岚山区、北京市通州区、大同市左云县、内蒙古乌海市海勃湾区、汉中市留坝县、宁夏固原市原州区、恩施州咸丰县、舟山市定海区、常德市津市市

本周数据平台近日官方渠道公开最新动态:今日行业报告传递研究成果,成人教育课程 - 打造高品质人生

标题：时间管理的艺术：提升效率的个人心得 在快节奏的现代生活中，时间管理成为了一个至关重要的技能。它不仅关系到我们能否在工作和个人生活中取得平衡，还直接影响到我们的幸福感和成就感。以下是我在时间管理方面的一些个人心得和建议。 首先，明确目标是时间管理的起点。在开始一天的工作之前，我会列出当天需要完成的任务，并根据重要性和紧急性进行排序。这样做可以帮助我集中精力在最重要的事情上，避免被琐事分散注意力。同时，这也让我对一天的工作有了清晰的规划，从而提高效率。 其次，合理分配时间。我通常会为每项任务设定一个预计完成时间，并尽量在这个时间内完成。如果任务提前完成，我会利用剩余的时间来处理其他事情或者进行休息，这样可以保持工作的节奏和动力。同时，我也会留出一些缓冲时间，以应对可能出现的意外情况。 再者，避免多任务处理。虽然多任务处理看似可以节省时间，但实际上它往往会降低工作效率。当我专注于一项任务时，我可以更快地完成它，并且减少错误。因此，我建议在处理任务时，尽量保持专注，避免同时处理多项任务。 此外，休息和放松同样重要。长时间的工作会导致疲劳和效率下降。我通常会在工作一段时间后，进行短暂的休息，比如散步、听音乐或者进行深呼吸练习。这些活动可以帮助我放松身心，恢复精力，从而在接下来的工作中保持高效率。 最后，反思和调整。每天晚上，我会回顾一天的工作，思考哪些地方做得好，哪些地方需要改进。通过不断的反思和调整，我可以逐渐优化我的时间管理方法，使其更加适合我的工作和生活需求。 总之，时间管理是一个持续的过程，需要我们不断地学习和调整。通过明确目标、合理分配时间、避免多任务处理、保证休息和放松以及反思和调整，我们可以更有效地管理时间，提高工作效率，从而在忙碌的生活中找到平衡和满足感。

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。