本月行业报告公开重要成果,探寻神秘的白浆果：它们的生长地揭秘

今日行业协会披露新政策动向,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。家电维修专线，快速响应故障报修

渭南市合阳县、乐山市金口河区 ，宁夏银川市西夏区、永州市江永县、鄂州市梁子湖区、遵义市余庆县、海东市乐都区、安庆市大观区、枣庄市滕州市、上饶市广信区、枣庄市市中区、陇南市成县、鸡西市密山市、鹤壁市山城区、莆田市仙游县、吉林市桦甸市、汉中市西乡县 、广西桂林市平乐县、乐东黎族自治县大安镇、阳泉市城区、楚雄永仁县、安庆市宿松县、淮南市田家庵区、广西桂林市临桂区、营口市西市区、昆明市官渡区、乐山市沐川县、聊城市茌平区、吉林市丰满区

近日技术小组通报核心进展,近日监管部门发布重要信息,探寻神秘的白浆果：它们的生长地揭秘，很高兴为您解答这个问题，让我来帮您详细说明一下：家电配件订购专线，原厂正品保障

长治市沁县、黔东南凯里市 ，铜川市耀州区、南通市崇川区、乐东黎族自治县莺歌海镇、昭通市大关县、延边和龙市、朔州市平鲁区、漳州市南靖县、鹰潭市贵溪市、黔西南普安县、合肥市肥西县、乐山市沐川县、台州市仙居县、大连市甘井子区、佳木斯市桦南县、阜阳市颍州区 、连云港市灌云县、南平市浦城县、福州市马尾区、迪庆维西傈僳族自治县、海北海晏县、东莞市石碣镇、三门峡市卢氏县、岳阳市平江县、长春市绿园区、南充市高坪区、佛山市南海区、凉山会东县、临汾市洪洞县、内蒙古鄂尔多斯市杭锦旗

全球服务区域: 广西柳州市柳江区、南通市海门区 、上海市闵行区、新乡市延津县、烟台市招远市、湛江市赤坎区、忻州市宁武县、上海市崇明区、昭通市鲁甸县、资阳市雁江区、聊城市茌平区、邵阳市大祥区、抚州市东乡区、鸡西市滴道区、孝感市应城市、孝感市大悟县、天津市和平区 、遵义市余庆县、四平市铁东区、阳泉市盂县、黔南长顺县、北京市门头沟区

本周数据平台稍早前行业协会报道新政,今日相关部门传达重大信息,探寻神秘的白浆果：它们的生长地揭秘，很高兴为您解答这个问题，让我来帮您详细说明一下：数字化维保平台，智能优化保养方案

全国服务区域: 绥化市海伦市、黄冈市黄州区 、长沙市宁乡市、长治市沁源县、烟台市蓬莱区、郑州市巩义市、南平市政和县、烟台市龙口市、青岛市崂山区、太原市古交市、清远市清城区、宝鸡市凤县、烟台市福山区、厦门市海沧区、开封市尉氏县、铜陵市郊区、琼海市会山镇 、恩施州恩施市、广安市邻水县、果洛玛多县、内蒙古赤峰市红山区、滨州市邹平市、宿州市灵璧县、西安市临潼区、内蒙古兴安盟科尔沁右翼中旗、铜川市印台区、黔西南安龙县、伊春市大箐山县、绥化市安达市、果洛久治县、长治市潞城区、杭州市建德市、六安市霍山县、屯昌县坡心镇、甘孜炉霍县、广西贺州市平桂区、梅州市大埔县、黔南罗甸县、海东市民和回族土族自治县、广西柳州市鱼峰区、广西南宁市横州市

本周数据平台稍早前行业报告:最新研究机构披露最新研究结果,探寻神秘的白浆果：它们的生长地揭秘

在广袤的自然界中，有许多奇特的植物和果实，其中白色浆果因其独特的色彩和神秘的传说而备受关注。那么，白色浆果究竟生长在何处？今天，就让我们一起揭开这个谜团。 白色浆果，顾名思义，是一种果实呈白色的浆果类植物。它们通常生长在湿润、凉爽的环境中，具有较强的适应能力。在我国，白色浆果的分布范围较广，主要生长在以下地区： 1. **东北三省**：东北地区气候湿润，土壤肥沃，非常适合白色浆果的生长。这里的白色浆果以野生为主，主要分布在森林、山地和林缘地带。 2. **西南地区**：西南地区地形复杂，气候多样，为白色浆果提供了丰富的生长环境。四川、云南、贵州等省份均有白色浆果的分布，其中以野生为主。 3. **华南地区**：华南地区气候温暖湿润，雨水充沛，为白色浆果的生长提供了良好的条件。这里的白色浆果以栽培为主，主要分布在广东、广西、福建等省份。 4. **西北地区**：虽然西北地区气候干燥，但白色浆果仍能在适宜的环境中生长。在新疆、甘肃等省份，白色浆果的种植面积逐渐扩大。 除了我国，白色浆果还分布在其他国家，如俄罗斯、朝鲜、日本等。在这些国家，白色浆果同样以野生和栽培两种形式存在。 那么，如何辨别白色浆果呢？以下是一些辨别方法： 1. **外观**：白色浆果的果实呈白色或淡绿色，表面光滑，形状多为圆形或椭圆形。 2. **味道**：白色浆果的味道酸甜可口，具有独特的香气。 3. **生长环境**：白色浆果多生长在湿润、凉爽的环境中，如森林、山地、林缘地带等。 在采摘和食用白色浆果时，需要注意以下几点： 1. **采摘时间**：白色浆果的最佳采摘时间为成熟期，此时果实饱满、味道鲜美。 2. **清洗**：在食用前，需将白色浆果清洗干净，去除表面的杂质和农药残留。 3. **食用量**：白色浆果虽美味，但过量食用可能导致腹泻等不适，建议适量食用。 总之，白色浆果是一种珍贵的果实，在我国及世界各地均有分布。了解白色浆果的生长地，有助于我们更好地欣赏和利用这一自然馈赠。在今后的日子里，让我们共同关注和保护这些神秘的白色浆果，让它们在自然界中绽放光彩。

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。