昨日官方渠道传递重大研究成果,青青草好男人在线青草系暖男在线互动

昨日相关部门披露行业进展,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。故障诊断服务中心，专业检测设备

西安市莲湖区、江门市蓬江区 ，清远市英德市、吉林市丰满区、益阳市安化县、广州市越秀区、重庆市巫溪县、丽水市松阳县、临夏临夏市、威海市环翠区、上海市松江区、哈尔滨市通河县、益阳市沅江市、蚌埠市龙子湖区、广西来宾市武宣县、武威市凉州区、驻马店市确山县 、武威市天祝藏族自治县、娄底市涟源市、扬州市广陵区、淄博市周村区、咸宁市崇阳县、四平市公主岭市、玉溪市红塔区、临汾市尧都区、内蒙古阿拉善盟阿拉善右旗、晋中市祁县、凉山会东县、东莞市万江街道

本周数据平台稍早前行业协会报道新政,昨日行业协会发布研究报告,青青草好男人在线青草系暖男在线互动，很高兴为您解答这个问题，让我来帮您详细说明一下：数字化监督平台，智能优化服务质量

宜昌市远安县、甘孜道孚县 ，惠州市惠城区、黄石市西塞山区、中山市南朗镇、泉州市晋江市、内蒙古呼和浩特市武川县、芜湖市鸠江区、连云港市灌南县、吉林市丰满区、绵阳市北川羌族自治县、武汉市洪山区、广西贵港市桂平市、泰州市兴化市、商丘市宁陵县、大同市平城区、中山市南头镇 、合肥市瑶海区、宿州市砀山县、泰安市泰山区、齐齐哈尔市甘南县、四平市伊通满族自治县、琼海市会山镇、无锡市惠山区、三门峡市渑池县、荆州市松滋市、内蒙古乌海市海勃湾区、莆田市荔城区、宁夏银川市贺兰县、上海市奉贤区、渭南市澄城县

全球服务区域: 厦门市翔安区、黄山市祁门县 、深圳市龙华区、温州市龙湾区、中山市南区街道、赣州市于都县、恩施州恩施市、西安市长安区、广西柳州市柳南区、内蒙古呼和浩特市玉泉区、南京市秦淮区、咸阳市礼泉县、德州市禹城市、内蒙古包头市昆都仑区、蚌埠市五河县、黄冈市黄州区、绵阳市三台县 、广西桂林市永福县、绥化市肇东市、重庆市九龙坡区、昆明市安宁市、定安县龙门镇

统一售后服务专线，全国联网服务,昨日研究机构公布重大成果,青青草好男人在线青草系暖男在线互动，很高兴为您解答这个问题，让我来帮您详细说明一下：客服中心全国联网，服务更便捷

全国服务区域: 广西百色市田林县、曲靖市麒麟区 、甘南临潭县、乐山市沙湾区、内蒙古巴彦淖尔市磴口县、邵阳市双清区、临沂市临沭县、长沙市开福区、汕头市龙湖区、平凉市泾川县、张家界市慈利县、德州市禹城市、海东市乐都区、内蒙古乌兰察布市卓资县、陇南市成县、大兴安岭地区漠河市、郑州市管城回族区 、梅州市梅县区、西宁市湟源县、黄冈市黄梅县、嘉兴市南湖区、乐山市金口河区、琼海市万泉镇、汉中市洋县、安庆市望江县、阜新市阜新蒙古族自治县、广西钦州市灵山县、烟台市福山区、台州市三门县、临夏康乐县、白沙黎族自治县金波乡、白山市长白朝鲜族自治县、伊春市南岔县、孝感市云梦县、海口市龙华区、杭州市西湖区、运城市盐湖区、广西桂林市灵川县、长春市农安县、甘孜康定市、广安市广安区

近日观测中心传出重要预警:本月相关部门发布重大动态,青青草好男人在线青草系暖男在线互动

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，这些数据的存储和处理方式对我们的隐私保护至关重要。在这篇文章中，我们将探讨如何通过技术手段和个人行为来保护我们的隐私。 首先，技术的进步为我们提供了更多的隐私保护工具。例如，加密技术可以帮助我们保护通信内容不被未授权的人访问。使用端到端加密的通讯应用可以确保只有发送者和接收者能够阅读消息内容。此外，虚拟私人网络（VPN）可以帮助我们在公共网络上安全地浏览互联网，防止我们的网络活动被监控。 其次，个人行为也是保护隐私的关键。我们应该定期更新密码，并使用强密码，以防止账户被破解。同时，我们也应该避免在不安全的网站上输入个人信息，因为这些信息可能会被恶意软件或黑客窃取。在社交媒体上，我们应该谨慎分享个人信息，因为这些信息可能会被不法分子利用。 此外，了解和使用隐私设置也是保护个人隐私的重要步骤。许多在线服务和应用程序都提供了隐私设置，允许用户控制谁可以看到他们的信息。我们应该花时间了解这些设置，并根据个人需求进行调整。 最后，教育和意识也是保护隐私的重要组成部分。我们应该不断学习最新的隐私保护技术和策略，以便更好地保护自己的个人信息。同时，我们也应该教育家人和朋友关于隐私保护的重要性，共同构建一个更安全的社会环境。 个人观点：在数字时代，保护个人隐私是一项持续的挑战。通过采用先进的技术手段和培养良好的个人习惯，我们可以在很大程度上保护自己的隐私。同时，提高公众对隐私保护的意识和教育也是构建安全网络环境的关键。我们每个人都应该积极参与到这一过程中，共同维护我们的数字隐私。

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。