今日监管部门披露行业最新进展,日本XXXL码在中国服装尺寸中的对应数值解析

本周研究机构披露新政策,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。家电售后专属热线，节假日无休服务

六安市霍山县、楚雄双柏县 ，郴州市资兴市、宜宾市南溪区、天水市秦州区、榆林市米脂县、肇庆市德庆县、黄山市祁门县、哈尔滨市道外区、南京市秦淮区、忻州市河曲县、盘锦市双台子区、哈尔滨市香坊区、连云港市灌南县、白山市抚松县、荆门市沙洋县、常州市金坛区 、孝感市汉川市、伊春市伊美区、益阳市桃江县、酒泉市阿克塞哈萨克族自治县、北京市平谷区、马鞍山市雨山区、景德镇市乐平市、上海市闵行区、屯昌县屯城镇、武汉市东西湖区、潍坊市寒亭区、郑州市巩义市

本周数据平台本月官方渠道披露重要进展,今日研究机构发布行业报告,日本XXXL码在中国服装尺寸中的对应数值解析，很高兴为您解答这个问题，让我来帮您详细说明一下：家电24小时服务热线，紧急故障优先处理

安庆市宿松县、温州市瑞安市 ，丹东市宽甸满族自治县、杭州市临安区、焦作市孟州市、曲靖市师宗县、黄山市屯溪区、恩施州恩施市、酒泉市玉门市、黄山市黟县、济南市历下区、长春市南关区、重庆市梁平区、铜仁市印江县、赣州市宁都县、临沧市镇康县、漳州市漳浦县 、吕梁市岚县、益阳市赫山区、新乡市长垣市、屯昌县乌坡镇、武汉市东西湖区、乐山市金口河区、榆林市吴堡县、葫芦岛市龙港区、本溪市明山区、三明市明溪县、湘潭市湘乡市、日照市岚山区、泉州市金门县、内江市资中县

全球服务区域: 张掖市临泽县、榆林市吴堡县 、阳江市江城区、吉安市庐陵新区、长治市潞城区、晋中市祁县、太原市杏花岭区、湘西州花垣县、北京市海淀区、滁州市明光市、周口市太康县、白银市靖远县、凉山木里藏族自治县、铜仁市松桃苗族自治县、咸阳市永寿县、广西玉林市博白县、黑河市五大连池市 、内蒙古赤峰市宁城县、四平市双辽市、郴州市安仁县、玉溪市峨山彝族自治县、酒泉市肃北蒙古族自治县

本周数据平台本月监管部门通报最新动态,今日行业报告披露最新研究成果,日本XXXL码在中国服装尺寸中的对应数值解析，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: 濮阳市清丰县、阜阳市颍泉区 、赣州市兴国县、内蒙古乌兰察布市四子王旗、景德镇市浮梁县、延安市洛川县、青岛市崂山区、楚雄楚雄市、杭州市滨江区、泉州市金门县、昆明市西山区、六安市霍邱县、安康市石泉县、牡丹江市海林市、东莞市高埗镇、阳泉市平定县、延安市志丹县 、白沙黎族自治县青松乡、凉山会理市、六盘水市盘州市、内蒙古赤峰市巴林右旗、广西桂林市秀峰区、漳州市漳浦县、荆州市松滋市、保山市昌宁县、荆州市公安县、泰安市岱岳区、运城市新绛县、宁夏银川市兴庆区、广西梧州市万秀区、东莞市南城街道、信阳市商城县、深圳市罗湖区、内蒙古乌兰察布市四子王旗、哈尔滨市阿城区、沈阳市法库县、濮阳市清丰县、儋州市南丰镇、甘孜新龙县、淮安市涟水县、黔东南镇远县

本月官方渠道传达政策动向:本月行业报告公开重要信息,日本XXXL码在中国服装尺寸中的对应数值解析

在全球化日益深入的今天，不同国家的消费者在购买国际品牌服装时，常常会遇到尺寸不匹配的问题。尤其是对于身材较为丰满的消费者来说，寻找合适的尺码更是难题。以日本服装尺码为例，许多消费者在购买时都会遇到“日本XXXL码在中国是多少”的疑问。本文将为您详细解析日本XXXL码在中国服装尺寸中的对应数值。 首先，我们需要了解日本服装尺码与中国服装尺码之间的差异。日本服装尺码通常比中国服装尺码偏大。这是因为日本服装在设计和生产过程中，更注重服装的宽松度和舒适度。而中国服装尺码则相对较小，更注重合身和修身。 针对“日本XXXL码在中国是多少”的问题，我们可以从以下几个方面进行分析： 1. **身高与胸围对应关系**：日本XXXL码通常对应的是身高在180cm左右，胸围在100cm以上的体型。在中国，这样的体型可能需要购买XXL码的服装，因为中国XXL码的胸围通常在102cm左右。 2. **腰围与臀围对应关系**：日本XXXL码的腰围和臀围尺寸也相对较大，可能需要在中国购买XXL码或3XL码的服装。具体来说，中国XXL码的腰围在90-95cm之间，臀围在100-105cm之间；而3XL码的腰围在95-100cm之间，臀围在105-110cm之间。 3. **服装款式与版型**：不同款式的服装，其版型也会对尺码产生影响。例如，宽松的休闲装可能需要购买比实际体型稍大的尺码，而修身类的服装则可能需要选择与实际体型相匹配的尺码。 4. **品牌差异**：不同品牌的服装尺码标准可能存在差异。在购买时，建议查看该品牌提供的尺码表，以便更准确地选择合适的尺码。 为了帮助消费者更好地了解日本XXXL码在中国服装尺寸中的对应数值，以下提供一份参考表格： | 日本尺码 | 中国尺码 | 对应身高（cm） | 胸围（cm） | 腰围（cm） | 臀围（cm） | | -------- | -------- | -------------- | ---------- | ---------- | ---------- | | XXXL | XXL/3XL | 180 | 102-110 | 90-100 | 100-110 | 需要注意的是，以上表格仅供参考，实际购买时还需结合具体品牌和款式进行调整。 总之，了解日本XXXL码在中国服装尺寸中的对应数值，对于身材丰满的消费者来说至关重要。在购买国际品牌服装时，建议消费者关注品牌尺码表，并结合自身体型和喜好，选择合适的尺码。同时，也可以考虑定制服装，以满足个性化需求。

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。