本月行业协会发布重要动态,《冒险岛弓箭手装备：打造最强射手之路》

刚刚官方渠道发布新动态,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。家电移机服务热线，专业拆卸安装

曲靖市马龙区、儋州市木棠镇 ，晋城市沁水县、鹤壁市淇县、宁夏银川市贺兰县、孝感市孝昌县、苏州市虎丘区、东莞市横沥镇、吉林市丰满区、泉州市晋江市、岳阳市华容县、昆明市寻甸回族彝族自治县、保山市隆阳区、海南贵南县、驻马店市新蔡县、舟山市定海区、徐州市睢宁县 、陵水黎族自治县文罗镇、汉中市勉县、南京市浦口区、儋州市雅星镇、广西贵港市港北区、台州市温岭市、肇庆市德庆县、抚州市南城县、玉溪市易门县、乐东黎族自治县志仲镇、大连市甘井子区、哈尔滨市延寿县

本周数据平台不久前行业协会透露新变化,昨日研究机构公开研究成果,《冒险岛弓箭手装备：打造最强射手之路》，很高兴为您解答这个问题，让我来帮您详细说明一下：家电问题反馈专线，多渠道受理投诉

商丘市睢阳区、内江市威远县 ，南通市如皋市、黔南都匀市、焦作市孟州市、直辖县潜江市、德州市禹城市、大连市甘井子区、榆林市神木市、十堰市竹山县、衢州市龙游县、文昌市潭牛镇、东莞市东城街道、巴中市恩阳区、伊春市汤旺县、宿州市萧县、常德市武陵区 、黄冈市浠水县、鹤岗市兴安区、佛山市高明区、张家界市桑植县、葫芦岛市连山区、果洛达日县、天水市麦积区、鹰潭市贵溪市、龙岩市上杭县、丽水市青田县、黄山市休宁县、儋州市海头镇、琼海市博鳌镇、丽江市玉龙纳西族自治县

全球服务区域: 资阳市雁江区、广西南宁市上林县 、泸州市龙马潭区、海北海晏县、万宁市龙滚镇、梅州市兴宁市、定西市岷县、兰州市安宁区、三门峡市陕州区、东莞市清溪镇、通化市柳河县、玉溪市澄江市、天水市麦积区、鹤岗市萝北县、济南市商河县、黔东南锦屏县、成都市青羊区 、五指山市水满、开封市通许县、东莞市麻涌镇、揭阳市普宁市、济南市莱芜区

本周数据平台稍早前行业协会报道新政,本月行业协会发布重磅通报,《冒险岛弓箭手装备：打造最强射手之路》，很高兴为您解答这个问题，让我来帮您详细说明一下：全国联网回收网络，统一处理渠道

全国服务区域: 河源市连平县、澄迈县文儒镇 、绥化市肇东市、乐山市犍为县、定西市安定区、济南市历下区、邵阳市大祥区、贵阳市息烽县、昆明市晋宁区、成都市青羊区、温州市永嘉县、鹤岗市兴安区、内蒙古呼和浩特市赛罕区、吕梁市汾阳市、牡丹江市海林市、文昌市锦山镇、广西河池市大化瑶族自治县 、琼海市大路镇、永州市冷水滩区、贵阳市息烽县、阜新市新邱区、广西河池市南丹县、毕节市黔西市、广西贺州市平桂区、延边和龙市、广元市昭化区、遂宁市安居区、长治市襄垣县、甘孜雅江县、内江市威远县、昆明市西山区、辽源市东辽县、南平市延平区、平凉市崆峒区、阿坝藏族羌族自治州小金县、东方市感城镇、重庆市綦江区、鸡西市麻山区、定安县富文镇、杭州市上城区、泸州市合江县

本周数据平台今日多方媒体透露研究成果:今日行业报告更新行业动态,《冒险岛弓箭手装备：打造最强射手之路》

在《冒险岛》这款经典的游戏中，弓箭手作为远程攻击职业，凭借其精准的射击和灵活的走位，在战场上总能发挥出巨大的作用。而一套合适的装备，更是弓箭手在冒险旅程中不可或缺的助力。本文将为您详细介绍冒险岛弓箭手的装备选择，助您打造最强射手。 一、基础装备 1. 弓：弓是弓箭手的核心装备，分为普通弓、强化弓、传说弓等。弓的等级越高，攻击力越强，射程也越远。在冒险过程中，玩家可以根据自己的需求选择合适的弓。 2. 弓箭：弓箭分为普通箭、强化箭、传说箭等。箭的等级越高，攻击力越强，穿透力也越强。在冒险过程中，玩家可以通过合成或制作来提高箭的等级。 3. 盔甲：弓箭手在战斗中需要一定的防御能力，因此头盔、胸甲、护腿等装备是必不可少的。这些装备可以提供生命值、防御力等属性，帮助玩家在战斗中存活下来。 4. 武器：弓箭手可以选择一些远程武器，如长枪、法杖等，以增加攻击力。 二、特殊装备 1. 神器：神器是冒险岛中最为强大的装备之一，拥有极高的攻击力和特殊效果。弓箭手可以通过完成任务、击败怪物或参与活动来获得神器。 2. 灵魂装备：灵魂装备是冒险岛中的一种特殊装备，拥有独特的属性和效果。玩家可以通过收集灵魂碎片来合成灵魂装备。 3. 装备套装：装备套装是冒险岛中的一种特殊装备组合，拥有协同效果。玩家可以通过收集套装中的所有装备来激活套装效果。 三、打造最强射手的方法 1. 提高装备等级：通过合成、制作、打怪等方式提高装备等级，增强攻击力和防御力。 2. 合理搭配属性：根据个人需求和职业特点，合理搭配装备属性，如攻击力、防御力、生命值等。 3. 装备强化：通过强化、洗练、镶嵌宝石等方式提升装备属性，使装备更加强大。 4. 参与活动：参与游戏中的各种活动，获得稀有装备和道具，提升实力。 总之，在《冒险岛》中，弓箭手要想成为最强的射手，就需要拥有一套合适的装备。通过合理搭配、强化和提升装备等级，相信您一定能在冒险旅程中所向披靡，成为众人敬仰的射手！

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。