昨日行业报告传递新政策,《烹饪时光，共度温馨——做饭时老公也要参与的小确幸》

本周官方更新行业通报,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。家电服务反馈专线，多渠道收集意见

海北刚察县、信阳市淮滨县 ，鹤岗市东山区、泸州市叙永县、宁德市福鼎市、毕节市黔西市、攀枝花市米易县、果洛玛沁县、梅州市蕉岭县、昭通市永善县、潍坊市昌乐县、郴州市苏仙区、阿坝藏族羌族自治州小金县、汉中市佛坪县、澄迈县大丰镇、青岛市胶州市、定安县翰林镇 、吉安市井冈山市、抚顺市新宾满族自治县、万宁市南桥镇、延边敦化市、广西贵港市港南区、红河石屏县、南平市顺昌县、宜春市宜丰县、太原市娄烦县、荆门市京山市、枣庄市市中区、铁岭市调兵山市

刚刚信息部门通报重大更新,本月行业协会披露最新研究报告,《烹饪时光，共度温馨——做饭时老公也要参与的小确幸》，很高兴为您解答这个问题，让我来帮您详细说明一下：全国统一服务专线，标准化维修流程

楚雄武定县、宝鸡市陈仓区 ，晋城市城区、洛阳市老城区、汉中市西乡县、榆林市横山区、滁州市天长市、海北门源回族自治县、娄底市双峰县、宁夏吴忠市同心县、大连市瓦房店市、铜仁市万山区、红河元阳县、株洲市茶陵县、临沂市河东区、阳泉市矿区、临汾市隰县 、青岛市即墨区、苏州市昆山市、内蒙古锡林郭勒盟锡林浩特市、内蒙古乌兰察布市卓资县、镇江市扬中市、玉树囊谦县、永州市零陵区、开封市尉氏县、大理洱源县、佛山市禅城区、孝感市应城市、济宁市任城区、淮北市杜集区、上海市普陀区

全球服务区域: 商丘市睢县、东莞市长安镇 、抚州市崇仁县、甘孜九龙县、孝感市汉川市、宜昌市秭归县、果洛玛沁县、南平市建瓯市、驻马店市上蔡县、楚雄南华县、十堰市竹溪县、海东市乐都区、玉树称多县、咸阳市泾阳县、西安市鄠邑区、三明市永安市、汕头市南澳县 、遵义市余庆县、东营市东营区、武汉市新洲区、四平市铁东区、新乡市凤泉区

近日调查组公开关键证据,本月研究机构发布最新报告,《烹饪时光，共度温馨——做饭时老公也要参与的小确幸》，很高兴为您解答这个问题，让我来帮您详细说明一下：全国联保服务热线，正规售后有保障

全国服务区域: 九江市庐山市、重庆市武隆区 、沈阳市大东区、榆林市佳县、亳州市利辛县、六安市霍山县、东莞市高埗镇、汕尾市城区、南平市建阳区、丽江市华坪县、海东市民和回族土族自治县、衡阳市蒸湘区、楚雄元谋县、甘孜九龙县、直辖县天门市、本溪市南芬区、开封市禹王台区 、庆阳市宁县、昭通市盐津县、牡丹江市爱民区、枣庄市市中区、伊春市丰林县、黔东南岑巩县、乐山市峨眉山市、广西来宾市武宣县、遵义市播州区、大兴安岭地区塔河县、文昌市铺前镇、安康市紫阳县、玉树玉树市、广西桂林市灵川县、襄阳市宜城市、凉山布拖县、大兴安岭地区加格达奇区、西安市长安区、无锡市锡山区、潍坊市坊子区、周口市商水县、雅安市汉源县、抚州市宜黄县、咸阳市渭城区

刚刚应急团队公布处置方案:昨日相关部门披露行业进展,《烹饪时光，共度温馨——做饭时老公也要参与的小确幸》

在我国，烹饪一直被视为家庭生活中不可或缺的一部分。每当夜幕降临，厨房里传来锅碗瓢盆的交响乐，便预示着家的温暖即将弥漫。而在这个温馨的烹饪时光里，如果老公也能参与其中，那无疑会让这份温馨倍增。 做饭时，老公也要参与，这不仅仅是一种分工，更是一种情感的交流。在忙碌的生活中，我们常常忽略了与家人的互动，而烹饪时光则为我们提供了一个绝佳的机会。以下就是老公参与烹饪的一些小确幸。 首先，老公参与烹饪可以增进夫妻间的感情。在厨房里，两人并肩作战，共同面对烹饪过程中的挑战，无疑会加深彼此的了解。当老公为妻子递上一把调料，或是为妻子擦去额头上的汗珠时，那份关爱和体贴便在无形中传递。这样的小细节，会让夫妻间的感情更加深厚。 其次，老公参与烹饪可以培养家庭默契。在烹饪过程中，夫妻双方需要相互配合，共同完成一道道美食。这种默契的培养，不仅体现在烹饪技巧上，更体现在生活中的方方面面。当家庭中的每一个成员都能为家庭付出，那么这个家庭必定充满和谐与幸福。 再者，老公参与烹饪可以提升烹饪水平。在烹饪过程中，老公可以学习到妻子的烹饪技巧，同时也可以分享自己的烹饪心得。这样一来，夫妻双方都可以在烹饪技能上得到提升，为家人带来更加美味的佳肴。 那么，如何在烹饪时让老公积极参与呢？以下是一些建议： 1. 创造轻松愉快的氛围。在烹饪过程中，保持轻松愉快的氛围至关重要。夫妻双方可以边聊天边烹饪，让厨房成为欢乐的源泉。 2. 分配合适的任务。根据老公的兴趣和能力，为他分配合适的任务。这样既能发挥他的长处，又能让他感受到参与烹饪的乐趣。 3. 鼓励老公尝试新菜品。在烹饪过程中，鼓励老公尝试新菜品，不仅可以丰富餐桌上的美食，还能激发他的创造力。 4. 适时给予肯定和鼓励。在老公烹饪过程中，适时给予肯定和鼓励，让他感受到自己的价值，从而更加乐于参与烹饪。 总之，做饭时老公也要参与，这是一种温馨的家庭生活态度。在这个快节奏的时代，让我们珍惜与家人共度的每一刻，让烹饪时光成为我们生活中最美好的回忆。

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。