今日官方渠道传递行业新研究成果,揭秘17C最新IP地址：网络世界中的动态轨迹

今日监管部门披露新政策,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。全国联保售后电话，服务有保障

泉州市洛江区、鹤岗市东山区 ，阿坝藏族羌族自治州松潘县、海西蒙古族天峻县、临高县南宝镇、晋城市阳城县、济南市长清区、上饶市万年县、渭南市临渭区、东莞市企石镇、黔南罗甸县、茂名市高州市、天津市武清区、鸡西市虎林市、眉山市仁寿县、新余市分宜县、临汾市霍州市 、扬州市邗江区、常德市鼎城区、湘潭市湘乡市、昌江黎族自治县石碌镇、宿州市泗县、太原市小店区、忻州市原平市、宁德市古田县、信阳市商城县、黄石市西塞山区、临汾市襄汾县、哈尔滨市方正县

近日监测部门公开,昨日行业报告发布新研究成果,揭秘17C最新IP地址：网络世界中的动态轨迹，很高兴为您解答这个问题，让我来帮您详细说明一下：全国统一售后服务热线，售后有保障

嘉兴市海盐县、昌江黎族自治县乌烈镇 ，福州市鼓楼区、新余市渝水区、昌江黎族自治县十月田镇、天津市滨海新区、内蒙古呼和浩特市武川县、南平市光泽县、武汉市江夏区、黄冈市黄州区、永州市道县、内蒙古兴安盟乌兰浩特市、黔南福泉市、晋中市太谷区、四平市铁东区、齐齐哈尔市依安县、文昌市翁田镇 、上饶市万年县、邵阳市洞口县、淮安市涟水县、内蒙古兴安盟阿尔山市、宁夏固原市隆德县、大同市平城区、宜春市宜丰县、常德市石门县、六安市叶集区、昭通市鲁甸县、广西玉林市北流市、商丘市虞城县、厦门市集美区、娄底市双峰县

全球服务区域: 广州市越秀区、营口市西市区 、安康市紫阳县、忻州市五台县、抚州市金溪县、贵阳市观山湖区、内蒙古锡林郭勒盟阿巴嘎旗、玉树治多县、广安市华蓥市、安顺市西秀区、广西桂林市秀峰区、荆州市沙市区、商洛市柞水县、济宁市汶上县、张家界市慈利县、合肥市蜀山区、铜陵市枞阳县 、内蒙古包头市石拐区、重庆市江北区、惠州市博罗县、漳州市龙文区、白沙黎族自治县金波乡

本周数据平台最新研究机构传出新变化,今日官方发布行业最新通报,揭秘17C最新IP地址：网络世界中的动态轨迹，很高兴为您解答这个问题，让我来帮您详细说明一下：售后服务热线，专业团队保障质量

全国服务区域: 淮南市寿县、广西梧州市藤县 、临高县皇桐镇、双鸭山市集贤县、内蒙古锡林郭勒盟正镶白旗、黄山市祁门县、内蒙古兴安盟科尔沁右翼中旗、文昌市抱罗镇、甘南临潭县、金华市东阳市、天水市张家川回族自治县、咸阳市秦都区、台州市三门县、黔东南丹寨县、恩施州咸丰县、黔东南台江县、安庆市桐城市 、宁德市福鼎市、定西市岷县、宣城市旌德县、果洛玛多县、阜新市新邱区、海西蒙古族德令哈市、漯河市舞阳县、黄冈市武穴市、南平市延平区、南阳市方城县、龙岩市武平县、大连市旅顺口区、上海市黄浦区、广西柳州市鹿寨县、宁夏固原市泾源县、周口市西华县、定西市漳县、昌江黎族自治县七叉镇、泉州市石狮市、潍坊市寿光市、内蒙古赤峰市克什克腾旗、广西百色市靖西市、汉中市城固县、双鸭山市饶河县

近日监测部门公开:本周监管部门发布重要政策,揭秘17C最新IP地址：网络世界中的动态轨迹

在互联网高速发展的今天，IP地址作为网络通信的基础，其重要性不言而喻。对于广大网民而言，了解最新的IP地址信息，有助于确保网络安全，提高网络使用效率。本文将为您揭秘17C最新IP地址，带您走进网络世界的动态轨迹。 一、IP地址概述 IP地址（Internet Protocol Address）是互联网上每一台设备的唯一标识符。它由32位二进制数组成，通常分为IPv4和IPv6两种格式。IPv4地址由四个十进制数组成，如192.168.1.1，而IPv6地址则由八个十六进制数组成，如2001:0db8:85a3:0000:0000:8a2e:0370:7334。 二、17C最新IP地址的背景 随着互联网的普及，IP地址资源日益紧张。为了解决这一问题，我国相关部门积极推动IPv6的发展。在此背景下，17C作为一家专注于互联网技术的研究与开发的创新型企业，其最新IP地址的公布，无疑为我国互联网行业的发展注入了新的活力。 三、17C最新IP地址的查询方法 要查询17C最新IP地址，可以通过以下几种方法： 1. 访问17C官方网站，查看最新公告或新闻动态。 2. 关注17C官方微信公众号，获取最新IP地址信息。 3. 在搜索引擎中输入“17C最新IP地址”，查找相关结果。 四、17C最新IP地址的应用场景 1. 网络安全：通过了解17C最新IP地址，网民可以及时更新网络设备，提高网络安全防护能力。 2. 网络优化：17C最新IP地址的公布，有助于优化网络资源配置，提高网络使用效率。 3. 网络创新：17C最新IP地址的应用，为我国互联网行业提供了更多创新空间，推动行业快速发展。 五、总结 17C最新IP地址的公布，标志着我国互联网行业在IPv6领域取得了新的突破。在网络安全、网络优化和网络创新等方面，17C最新IP地址的应用将发挥重要作用。让我们共同期待，在17C最新IP地址的助力下，我国互联网行业迎来更加美好的明天。

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。