今日国家机构披露行业新动向,《疯狂厨房2双人3-5通关攻略：携手闯关，共享欢乐时光！》

本月行业协会传达最新研究成果,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。智能投诉管理系统，自动分类处理

南昌市安义县、开封市顺河回族区 ，梅州市五华县、广元市苍溪县、铜仁市印江县、黄石市黄石港区、直辖县天门市、鹰潭市余江区、南阳市方城县、上饶市广信区、临高县南宝镇、嘉兴市南湖区、襄阳市南漳县、果洛达日县、嘉峪关市峪泉镇、临夏永靖县、佳木斯市东风区 、潍坊市寒亭区、葫芦岛市兴城市、延安市志丹县、通化市辉南县、保山市腾冲市、北京市门头沟区、延安市甘泉县、焦作市温县、抚州市乐安县、聊城市东阿县、内蒙古赤峰市松山区、达州市通川区

本周数据平台稍早前行业报告,今日监管部门披露行业动向,《疯狂厨房2双人3-5通关攻略：携手闯关，共享欢乐时光！》，很高兴为您解答这个问题，让我来帮您详细说明一下：智能化维修系统，自动调度服务人员

扬州市广陵区、抚州市黎川县 ，德阳市旌阳区、永州市道县、内蒙古赤峰市元宝山区、内江市市中区、澄迈县永发镇、中山市西区街道、潍坊市坊子区、乐东黎族自治县抱由镇、延安市宜川县、安阳市文峰区、甘孜甘孜县、陵水黎族自治县群英乡、雅安市芦山县、厦门市集美区、滁州市定远县 、威海市环翠区、松原市扶余市、咸阳市淳化县、南充市高坪区、庆阳市正宁县、衢州市江山市、天水市清水县、定安县雷鸣镇、天津市和平区、铜仁市玉屏侗族自治县、营口市大石桥市、重庆市开州区、广州市增城区、漳州市芗城区

全球服务区域: 重庆市黔江区、汕尾市陆丰市 、东莞市虎门镇、广西梧州市长洲区、北京市通州区、中山市小榄镇、商丘市永城市、丽江市永胜县、菏泽市成武县、河源市龙川县、东营市广饶县、深圳市盐田区、伊春市伊美区、焦作市修武县、泉州市晋江市、海口市秀英区、吕梁市临县 、商丘市永城市、忻州市河曲县、广西贺州市昭平县、榆林市清涧县、广西贺州市富川瑶族自治县

近日监测小组公开最新参数,本月官方发布行业重要事件,《疯狂厨房2双人3-5通关攻略：携手闯关，共享欢乐时光！》，很高兴为您解答这个问题，让我来帮您详细说明一下：家电维修在线客服，实时响应报修需求

全国服务区域: 扬州市仪征市、莆田市秀屿区 、西安市临潼区、德宏傣族景颇族自治州盈江县、三门峡市卢氏县、济南市商河县、哈尔滨市呼兰区、酒泉市玉门市、南充市营山县、宁德市福安市、忻州市五台县、汕头市澄海区、内蒙古包头市九原区、西安市蓝田县、广西百色市田阳区、榆林市神木市、徐州市新沂市 、楚雄双柏县、阳江市江城区、金昌市金川区、揭阳市普宁市、苏州市常熟市、成都市大邑县、营口市盖州市、嘉兴市平湖市、湘西州泸溪县、聊城市高唐县、宁夏吴忠市同心县、大同市云冈区、内蒙古鄂尔多斯市杭锦旗、临汾市古县、广西百色市西林县、黑河市孙吴县、黔东南黎平县、伊春市伊美区、鹤岗市绥滨县、泉州市德化县、龙岩市永定区、昭通市大关县、黄山市祁门县、常德市武陵区

本周数据平台稍早前行业报告:本月国家机构传达最新政策,《疯狂厨房2双人3-5通关攻略：携手闯关，共享欢乐时光！》

《疯狂厨房2》是一款深受玩家喜爱的休闲益智游戏，游戏中的关卡设计巧妙，充满挑战。而双人合作模式更是让这款游戏更具趣味性。今天，就为大家带来疯狂厨房2双人3-5通关攻略，让你和好友一起轻松闯关，共享欢乐时光！ ### 游戏背景 疯狂厨房2的故事发生在一个充满奇幻色彩的厨房里，玩家需要扮演厨师和助手，完成各种烹饪任务，制作出美味的食物。游戏分为多个关卡，每个关卡都有不同的任务和挑战。 ### 通关攻略 #### 第三关：水果沙拉 1. **分配角色**：两人合作，一人负责切水果，另一人负责搅拌。 2. **快速行动**：切水果时，注意速度要快，避免浪费时间。 3. **合理分配**：搅拌时，将水果均匀分配，确保沙拉口感丰富。 4. **技巧提示**：可以使用道具加速搅拌，提高效率。 #### 第四关：烤肉串 1. **分工明确**：一人负责烤肉，另一人负责串肉。 2. **掌握火候**：烤肉时，注意火候，避免烤焦。 3. **巧妙搭配**：根据口味，合理搭配肉类和蔬菜。 4. **技巧提示**：使用道具可以缩短烤肉时间，提高效率。 #### 第五关：甜品蛋糕 1. **合作制作**：一人负责搅拌蛋糕糊，另一人负责装饰蛋糕。 2. **注意细节**：搅拌蛋糕糊时，确保搅拌均匀，避免出现颗粒。 3. **创意装饰**：装饰蛋糕时，发挥创意，制作出独一无二的甜品。 4. **技巧提示**：使用道具可以增加蛋糕的口感和美观度。 ### 合作技巧 1. **沟通配合**：在游戏中，两人需要密切沟通，互相配合，才能顺利完成关卡。 2. **分工合作**：根据各自的优势，合理分配任务，提高通关效率。 3. **互相鼓励**：在遇到困难时，给予对方鼓励和支持，共同克服挑战。 ### 总结 疯狂厨房2双人3-5通关攻略，旨在帮助玩家轻松闯关，共享欢乐时光。只要两人默契配合，充分发挥各自的优势，相信你们一定能够顺利通关，成为疯狂厨房的美食大师！快来和好友一起加入这场奇幻的烹饪之旅吧！

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。