本周行业报告公开研究成果,色综合综合网多元色彩艺术主题合集

今日官方渠道发布行业信息,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。智能安装预约系统，自动分配技师

乐东黎族自治县莺歌海镇、深圳市龙华区 ，鹤壁市鹤山区、商丘市睢阳区、济宁市任城区、洛阳市西工区、楚雄禄丰市、朝阳市双塔区、延安市黄龙县、漳州市漳浦县、通化市辉南县、大连市甘井子区、朔州市右玉县、阜阳市界首市、五指山市通什、云浮市罗定市、黔东南榕江县 、成都市崇州市、永州市江华瑶族自治县、金华市义乌市、丽水市景宁畲族自治县、赣州市崇义县、临高县临城镇、天水市清水县、广西贵港市港南区、杭州市临安区、吕梁市孝义市、黔东南黎平县、昭通市鲁甸县

本周数据平台近期官方渠道公开权威通报,今日行业报告披露重大进展,色综合综合网多元色彩艺术主题合集，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

惠州市惠东县、宝鸡市眉县 ，黄石市阳新县、毕节市织金县、重庆市大渡口区、六安市霍邱县、白银市靖远县、宜春市高安市、毕节市纳雍县、宜昌市猇亭区、吕梁市交口县、鹤岗市向阳区、开封市杞县、甘孜德格县、吕梁市孝义市、乐山市井研县、徐州市丰县 、宿州市埇桥区、东莞市中堂镇、抚州市资溪县、海北祁连县、商丘市民权县、临汾市永和县、大理大理市、渭南市富平县、新余市渝水区、牡丹江市东安区、广西崇左市江州区、忻州市五台县、岳阳市君山区、葫芦岛市兴城市

全球服务区域: 金昌市永昌县、广元市利州区 、沈阳市于洪区、屯昌县坡心镇、怀化市靖州苗族侗族自治县、温州市龙湾区、甘孜新龙县、宜昌市长阳土家族自治县、内蒙古包头市白云鄂博矿区、大兴安岭地区松岭区、三亚市吉阳区、绵阳市北川羌族自治县、毕节市黔西市、漯河市舞阳县、德阳市旌阳区、张掖市肃南裕固族自治县、佳木斯市同江市 、长治市襄垣县、哈尔滨市通河县、荆州市监利市、庆阳市宁县、黔南贵定县

本周官方渠道披露研究成果,今日研究机构公开最新研究成果,色综合综合网多元色彩艺术主题合集，很高兴为您解答这个问题，让我来帮您详细说明一下：全国标准化服务，统一技术操作规范

全国服务区域: 广西玉林市福绵区、扬州市仪征市 、韶关市始兴县、聊城市莘县、威海市乳山市、乐山市沙湾区、葫芦岛市兴城市、天津市北辰区、商丘市睢县、泸州市叙永县、宜昌市五峰土家族自治县、南平市松溪县、临沧市临翔区、岳阳市华容县、定安县富文镇、齐齐哈尔市泰来县、内蒙古兴安盟阿尔山市 、陵水黎族自治县群英乡、连云港市连云区、广西贺州市富川瑶族自治县、济宁市兖州区、曲靖市师宗县、郑州市巩义市、抚顺市清原满族自治县、东方市四更镇、沈阳市于洪区、焦作市博爱县、上海市浦东新区、深圳市南山区、辽阳市弓长岭区、湛江市遂溪县、陇南市两当县、黄山市黟县、宁夏吴忠市同心县、永州市零陵区、乐东黎族自治县万冲镇、内蒙古鄂尔多斯市康巴什区、广西贺州市平桂区、洛阳市偃师区、安庆市宿松县、南京市栖霞区

统一服务管理平台，智能监控质量:本月行业协会公开重大研究成果,色综合综合网多元色彩艺术主题合集

在现代社会，人们越来越重视个人隐私和数据安全。随着科技的发展，我们每天都在产生大量的数据，这些数据的存储、处理和传输都涉及到隐私保护的问题。在这样的背景下，如何确保我们的个人信息不被滥用，成为了一个亟待解决的问题。 首先，我们需要认识到个人信息的价值。个人信息不仅仅是一串数字或者几个字母，它们是我们身份的一部分，包含了我们的生活习惯、消费偏好甚至是健康信息。这些信息如果被不当使用，可能会对我们的个人生活造成严重影响。因此，保护个人信息不仅是法律的要求，也是我们自身权益的需要。 其次，技术的进步为我们提供了更多的保护手段。例如，加密技术可以确保数据在传输过程中不被窃取或篡改。此外，区块链技术以其不可篡改的特性，为数据的安全性提供了新的保障。这些技术的应用，可以在很大程度上减少个人信息泄露的风险。 然而，技术并不是万能的。在实际操作中，我们还需要加强法律法规的建设，明确个人信息的收集、使用和保护的规则。同时，企业和组织也应当承担起保护用户隐私的责任，建立起严格的内部管理制度，防止内部人员滥用用户信息。 最后，作为个人，我们也应该提高自我保护意识。在日常生活中，我们应当谨慎分享个人信息，对于需要提供个人信息的服务，要仔细阅读隐私政策，了解我们的信息将如何被使用和保护。此外，定期检查账户安全，及时更新密码，也是保护个人信息不被滥用的有效手段。 综上所述，保护个人信息是一个多方面的工作，需要技术、法律和个人共同努力。通过这些措施，我们可以在享受科技带来的便利的同时，也确保我们的隐私得到应有的保护。个人观点是，每个人都应该成为自己信息的守护者，通过提高自我保护意识和采取实际行动，共同构建一个更加安全、更加尊重隐私的社会环境。

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。