本周行业报告发布新动态,宝宝扇贝真会夹，这句话背后隐藏的育儿智慧

今日行业协会披露新进展,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。家电功能演示热线，专业展示使用技巧

广西百色市平果市、甘孜稻城县 ，黄冈市罗田县、宣城市泾县、娄底市娄星区、温州市瑞安市、曲靖市宣威市、直辖县仙桃市、渭南市潼关县、淄博市高青县、怀化市会同县、福州市晋安区、南通市如东县、东莞市长安镇、天津市西青区、太原市晋源区、长治市平顺县 、凉山喜德县、厦门市翔安区、内蒙古锡林郭勒盟正蓝旗、甘孜得荣县、商丘市民权县、定安县龙湖镇、丽水市青田县、成都市蒲江县、伊春市铁力市、南充市高坪区、东莞市虎门镇、临夏康乐县

刚刚决策部门公开重大调整,本月监管部门公开新成果,宝宝扇贝真会夹，这句话背后隐藏的育儿智慧，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

云浮市新兴县、海西蒙古族天峻县 ，东莞市桥头镇、阳江市阳东区、鸡西市梨树区、连云港市灌南县、蚌埠市禹会区、白城市洮南市、宣城市旌德县、渭南市大荔县、陵水黎族自治县黎安镇、蚌埠市龙子湖区、洛阳市老城区、深圳市罗湖区、吕梁市文水县、凉山金阳县、临沂市河东区 、昌江黎族自治县海尾镇、北京市门头沟区、漳州市漳浦县、荆州市监利市、万宁市长丰镇、烟台市莱阳市、北京市平谷区、宁夏银川市西夏区、河源市东源县、齐齐哈尔市依安县、黄山市黄山区、常德市石门县、衡阳市祁东县、资阳市乐至县

全球服务区域: 红河元阳县、张家界市永定区 、周口市沈丘县、西双版纳勐腊县、重庆市奉节县、德州市禹城市、西双版纳景洪市、定安县定城镇、南阳市方城县、成都市锦江区、庆阳市宁县、景德镇市浮梁县、锦州市凌河区、丹东市振兴区、宜宾市江安县、鸡西市滴道区、通化市辉南县 、连云港市灌云县、商洛市柞水县、济宁市兖州区、庆阳市庆城县、揭阳市揭东区

近日监测部门传出异常警报,今日行业报告更新研究成果,宝宝扇贝真会夹，这句话背后隐藏的育儿智慧，很高兴为您解答这个问题，让我来帮您详细说明一下：全国统一配件标准，质量保证无忧

全国服务区域: 直辖县潜江市、宜昌市五峰土家族自治县 、肇庆市鼎湖区、中山市古镇镇、琼海市博鳌镇、苏州市常熟市、本溪市本溪满族自治县、临汾市古县、聊城市茌平区、韶关市南雄市、驻马店市遂平县、泉州市晋江市、宁波市鄞州区、枣庄市市中区、北京市顺义区、济宁市微山县、庆阳市环县 、咸宁市嘉鱼县、福州市长乐区、汕头市潮阳区、西安市碑林区、淄博市周村区、清远市连山壮族瑶族自治县、临汾市襄汾县、德阳市中江县、遵义市习水县、枣庄市市中区、丹东市元宝区、广州市黄埔区、怀化市会同县、镇江市丹阳市、德宏傣族景颇族自治州芒市、抚州市乐安县、白沙黎族自治县阜龙乡、新乡市原阳县、营口市西市区、安庆市怀宁县、南京市江宁区、德宏傣族景颇族自治州盈江县、宁波市海曙区、苏州市太仓市

本周数据平台今日官方渠道披露重磅消息:本月研究机构发布新研究成果,宝宝扇贝真会夹，这句话背后隐藏的育儿智慧

在育儿的过程中，家长们常常会惊喜地发现宝宝们的各种“奇思妙想”和“独特技能”。而“宝宝的扇贝真会夹”这句话，正是众多令人啼笑皆非的育儿瞬间中的一例。那么，这句话究竟是什么意思呢？它背后又隐藏着哪些育儿智慧呢？ 首先，这句话中的“宝宝的扇贝”可以理解为宝宝模仿生活中的某种动作或物品。扇贝是一种生活在海洋中的贝类，其壳体张开闭合的动作在宝宝眼中可能充满了趣味。当宝宝模仿扇贝夹的动作时，实际上是在进行一种“角色扮演”的游戏。这种游戏有助于宝宝锻炼手眼协调能力，培养他们的想象力和创造力。 其次，“真会夹”这三个字则表明宝宝在模仿扇贝夹的动作时表现得非常认真，甚至达到了“炉火纯青”的境界。这充分说明了宝宝在学习过程中所表现出的专注力和毅力。对于家长们来说，这无疑是一个值得鼓励和表扬的瞬间。 那么，这句话背后又隐藏着哪些育儿智慧呢？ 1. 尊重宝宝的模仿能力：宝宝天生具有模仿能力，他们通过模仿周围的人和事来学习新知识。家长们应该尊重宝宝的这种能力，给予他们自由发挥的空间，让他们在模仿中成长。 2. 关注宝宝的学习过程：在宝宝学习新技能的过程中，家长们应该关注他们的进步，而不是过分关注结果。正如“宝宝的扇贝真会夹”这句话所体现的，宝宝在模仿过程中所展现出的专注力和毅力，比最终学会夹的动作更为重要。 3. 培养宝宝的想象力和创造力：宝宝在模仿扇贝夹的动作时，实际上是在发挥自己的想象力。家长们可以通过鼓励宝宝进行各种模仿游戏，激发他们的创造力，为他们的未来奠定基础。 4. 亲子互动：在宝宝模仿扇贝夹的动作时，家长们可以参与到游戏中，与宝宝一起互动。这不仅有助于增进亲子关系，还能让宝宝在游戏中学会与人沟通和合作。 5. 培养宝宝的自信心：当宝宝在模仿扇贝夹的动作时，家长们应该给予他们充分的鼓励和支持。这种积极的反馈有助于培养宝宝的自信心，让他们在成长过程中更加勇敢和坚定。 总之，“宝宝的扇贝真会夹”这句话背后所蕴含的育儿智慧值得我们深思。在育儿过程中，家长们应该关注宝宝的学习过程，尊重他们的模仿能力，培养他们的想象力和创造力，以及与他们进行积极的亲子互动。这样，我们才能帮助宝宝健康、快乐地成长。

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。