今日国家机构发布重要动态,温馨时光：与儿媳共度欢乐时光

今日监管部门更新政策动向,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。家电客服电话，系统自动派单处理

中山市阜沙镇、襄阳市谷城县 ，广州市荔湾区、长治市沁县、安庆市潜山市、南平市松溪县、荆州市监利市、安庆市迎江区、泸州市合江县、忻州市忻府区、抚顺市清原满族自治县、东莞市厚街镇、陵水黎族自治县光坡镇、文昌市文城镇、达州市达川区、攀枝花市仁和区、丹东市振安区 、广安市华蓥市、鄂州市鄂城区、宣城市宣州区、成都市龙泉驿区、双鸭山市四方台区、白山市长白朝鲜族自治县、云浮市罗定市、青岛市崂山区、兰州市红古区、恩施州来凤县、琼海市石壁镇、鞍山市铁西区

本周数据平台今日数据平台透露最新消息,本月行业报告更新行业变化,温馨时光：与儿媳共度欢乐时光，很高兴为您解答这个问题，让我来帮您详细说明一下：自动化服务调度，智能匹配维修资源

凉山雷波县、汕头市龙湖区 ，宁夏银川市兴庆区、渭南市合阳县、内蒙古锡林郭勒盟阿巴嘎旗、广西百色市隆林各族自治县、岳阳市华容县、甘孜石渠县、凉山美姑县、丽江市玉龙纳西族自治县、澄迈县金江镇、重庆市沙坪坝区、凉山木里藏族自治县、内蒙古阿拉善盟阿拉善左旗、西安市灞桥区、宁波市象山县、德州市宁津县 、泸州市泸县、吕梁市交城县、黄冈市黄梅县、中山市大涌镇、万宁市山根镇、万宁市山根镇、阜新市阜新蒙古族自治县、太原市尖草坪区、汕头市潮阳区、上海市长宁区、广元市昭化区、黔南长顺县、邵阳市武冈市、六盘水市六枝特区

全球服务区域: 通化市通化县、河源市龙川县 、沈阳市大东区、宜昌市夷陵区、眉山市洪雅县、东莞市长安镇、广西桂林市平乐县、内蒙古锡林郭勒盟阿巴嘎旗、普洱市景谷傣族彝族自治县、驻马店市西平县、玉溪市红塔区、南平市延平区、潍坊市潍城区、澄迈县永发镇、丽江市永胜县、晋城市沁水县、江门市开平市 、内蒙古呼和浩特市清水河县、漯河市源汇区、陵水黎族自治县提蒙乡、潮州市潮安区、张掖市民乐县

在线维修进度查询,今日研究机构公开最新研究成果,温馨时光：与儿媳共度欢乐时光，很高兴为您解答这个问题，让我来帮您详细说明一下：数字化回收平台，智能优化资源利用

全国服务区域: 白沙黎族自治县元门乡、四平市双辽市 、株洲市天元区、晋中市太谷区、渭南市白水县、东莞市高埗镇、吕梁市离石区、佛山市顺德区、延安市宝塔区、梅州市大埔县、蚌埠市固镇县、温州市鹿城区、广州市越秀区、乐东黎族自治县佛罗镇、泰州市靖江市、吉林市丰满区、常州市金坛区 、惠州市惠阳区、九江市修水县、本溪市明山区、雅安市石棉县、乐山市犍为县、宁德市寿宁县、天津市静海区、毕节市金沙县、天津市河西区、汉中市留坝县、昌江黎族自治县七叉镇、玉溪市新平彝族傣族自治县、伊春市伊美区、齐齐哈尔市龙沙区、大理漾濞彝族自治县、昌江黎族自治县七叉镇、常德市汉寿县、济南市天桥区、黄冈市罗田县、黑河市北安市、东方市大田镇、三门峡市陕州区、盐城市阜宁县、文昌市文城镇

全天候服务支持热线:本周官方渠道披露行业新动向,温馨时光：与儿媳共度欢乐时光

在这个快节奏的时代，家庭和睦、亲情融洽显得尤为重要。而与儿媳一起度过欢乐时光，更是家庭生活中的一道亮丽风景线。以下是我与儿媳一起玩耍的一些温馨瞬间，让我们一起感受这份浓厚的亲情吧。 周末的午后，阳光明媚，微风拂面。我带着儿媳来到了附近的公园。公园里绿树成荫，鸟语花香，是休闲放松的好去处。我们漫步在林间小道，欣赏着美景，聊着家常，彼此间的距离在欢声笑语中逐渐拉近。 儿媳是个热爱运动的女孩，她提议我们一起去打羽毛球。虽然我年纪大了，动作有些笨拙，但看到儿媳热情洋溢的样子，我也忍不住跃跃欲试。我们俩在球场上你追我赶，虽然有时会输给她，但那份快乐和满足感却是无法言喻的。 打完羽毛球，我们又来到了公园的儿童游乐区。看着儿媳兴奋地跑来跑去，仿佛回到了童年。她拉着我的手，一起玩旋转木马，一起坐在滑梯上，一起荡秋千。那一刻，我仿佛看到了自己年轻时的影子，感受到了那份久违的童真。 午后阳光正好，我们来到了公园的湖边。湖水清澈见底，微风拂过，湖面泛起层层涟漪。我们找了个舒适的角落，铺上野餐垫，拿出准备好的美食。儿媳亲手做的三明治、水果沙拉和甜点，让我感受到了家的温暖。我们一边品尝美食，一边欣赏湖景，聊着彼此的生活琐事，其乐融融。 傍晚时分，我们来到了公园的广场。广场上音乐悠扬，舞者们翩翩起舞。儿媳提议我们一起跳广场舞。虽然我舞步生疏，但看到儿媳那么开心，我也鼓起勇气加入了舞蹈的行列。我们跟着音乐的节奏，尽情地舞动身体，仿佛忘记了时间的流逝。 夜幕降临，我们带着满满的收获回到了家。儿媳送我到门口，我看着她渐行渐远的背影，心中充满了感激。感谢她给我带来了欢乐，让我感受到了亲情的美好。 与儿媳一起玩耍的日子，让我明白了亲情的力量。在这个温馨的大家庭里，我们彼此关爱、相互扶持，共同度过了一个又一个美好的时光。我相信，在未来的日子里，我们还会一起创造更多美好的回忆。 家庭是人生的港湾，亲情是心灵的依托。让我们珍惜与亲人相处的每一刻，用关爱和陪伴，让家庭充满欢声笑语。愿我们的家庭幸福美满，亲情永驻！

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。