今日官方传递政策更新,寻访老妇女：传承记忆中的乡愁

本周监管部门传达重磅消息,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。售后服务中心热线，电话网络全渠道

泉州市洛江区、天津市蓟州区 ，西安市新城区、广西来宾市金秀瑶族自治县、临汾市乡宁县、中山市五桂山街道、三门峡市陕州区、连云港市连云区、文昌市锦山镇、广州市越秀区、凉山美姑县、河源市龙川县、甘孜得荣县、内蒙古呼和浩特市赛罕区、漯河市舞阳县、北京市朝阳区、琼海市龙江镇 、鸡西市梨树区、安顺市西秀区、遵义市赤水市、内江市威远县、新乡市辉县市、长沙市宁乡市、赣州市于都县、赣州市寻乌县、萍乡市莲花县、琼海市龙江镇、河源市源城区、衡阳市蒸湘区

本周数据平台稍早前行业协会报道新政,本月行业报告公开新研究成果,寻访老妇女：传承记忆中的乡愁，很高兴为您解答这个问题，让我来帮您详细说明一下：家电保养记录查询，完整服务历史追溯

湛江市吴川市、文昌市铺前镇 ，大庆市肇源县、渭南市华阴市、亳州市涡阳县、德宏傣族景颇族自治州瑞丽市、宜春市万载县、内蒙古呼和浩特市新城区、定西市通渭县、大同市阳高县、济宁市汶上县、儋州市兰洋镇、荆州市松滋市、果洛玛沁县、内蒙古锡林郭勒盟二连浩特市、哈尔滨市呼兰区、德州市武城县 、青岛市即墨区、丽水市莲都区、三门峡市灵宝市、德宏傣族景颇族自治州盈江县、成都市蒲江县、黔东南黄平县、东莞市樟木头镇、太原市尖草坪区、海南共和县、三门峡市灵宝市、辽阳市灯塔市、临夏东乡族自治县、凉山喜德县、济宁市微山县

全球服务区域: 湛江市遂溪县、内蒙古赤峰市翁牛特旗 、潍坊市昌乐县、赣州市宁都县、西安市莲湖区、平顶山市郏县、衢州市衢江区、昌江黎族自治县叉河镇、定安县雷鸣镇、怀化市靖州苗族侗族自治县、南通市海安市、萍乡市莲花县、淮北市烈山区、本溪市本溪满族自治县、阳江市江城区、牡丹江市绥芬河市、东莞市道滘镇 、白山市抚松县、宁夏银川市兴庆区、泰安市新泰市、平凉市灵台县、黄冈市武穴市

统一售后服务专线，全国联网服务,本月行业报告公开重要信息,寻访老妇女：传承记忆中的乡愁，很高兴为您解答这个问题，让我来帮您详细说明一下：智能维修派单系统，精准调度服务团队

全国服务区域: 伊春市丰林县、昆明市晋宁区 、内蒙古呼伦贝尔市满洲里市、无锡市宜兴市、衡阳市衡阳县、泸州市泸县、内蒙古赤峰市巴林左旗、天津市静海区、东莞市万江街道、武汉市东西湖区、烟台市龙口市、郑州市新郑市、鹤壁市浚县、内蒙古鄂尔多斯市准格尔旗、梅州市五华县、沈阳市沈河区、周口市西华县 、许昌市长葛市、内蒙古呼和浩特市武川县、东方市天安乡、茂名市信宜市、肇庆市端州区、东方市东河镇、汉中市洋县、邵阳市洞口县、内蒙古兴安盟乌兰浩特市、普洱市思茅区、苏州市常熟市、白沙黎族自治县青松乡、潍坊市坊子区、枣庄市市中区、上饶市广信区、南充市营山县、德州市齐河县、嘉兴市海盐县、龙岩市武平县、朔州市山阴县、延边敦化市、南充市南部县、杭州市桐庐县、滨州市滨城区

可视化故障排除专线:今日官方通报行业政策变化,寻访老妇女：传承记忆中的乡愁

在我国广袤的乡村大地上，有这样一群人，她们是岁月的见证者，是乡愁的承载者。她们，就是那些默默无闻的老妇女。找老妇女，不仅是对历史的尊重，更是对文化的传承。 老妇女，一个听起来略显沧桑的词汇，却承载着无数人的记忆。她们，曾是家里的顶梁柱，是孩子们心中的依靠。如今，她们已步入暮年，却依然坚守在乡村的土地上，用自己的方式，诠释着生命的意义。 找老妇女，首先要走进她们的日常生活。清晨，当第一缕阳光洒在田野上，老妇女们便开始了一天的劳作。她们弯腰、驼背，却依然坚韧不拔。她们用一双布满老茧的手，耕种着土地，收获着希望。在她们的脸上，写满了岁月的痕迹，却依然洋溢着对生活的热爱。 找老妇女，还要聆听她们的故事。那些关于过去的故事，如同一幅幅生动的画卷，让我们穿越时空，感受到了那个时代的风土人情。老妇女们讲述着她们年轻时的经历，那些关于爱情、亲情、友情的点点滴滴，让我们为之动容。她们的故事，是历史的见证，更是文化的传承。 在找老妇女的过程中，我们还能了解到许多民间技艺。剪纸、刺绣、编织……这些古老的技艺，在老妇女们的手中代代相传。她们用一双巧手，将美好的祝愿寄托在每一个作品中。找老妇女，就是找回了那些即将消失的民间技艺。 找老妇女，更是找回了那份浓浓的乡愁。在城市的喧嚣中，我们常常感到孤独和迷茫。而当我们走进乡村，看到那些老妇女们，听到她们的故事，我们仿佛找到了心灵的归宿。她们，就像一盏明灯，照亮了我们前行的道路。 在这个信息爆炸的时代，找老妇女显得尤为重要。随着城市化进程的加快，越来越多的年轻人离开家乡，去追求更好的生活。而那些老妇女，却依然坚守在乡村的土地上，用自己的方式，传承着这份乡愁。 找老妇女，不仅是对历史的尊重，更是对文化的传承。让我们走进乡村，去寻找那些老妇女，去聆听她们的故事，去感受那份浓浓的乡愁。让我们携手，共同守护这份宝贵的文化遗产，让它在新时代焕发出新的光彩。 在这个寻找老妇女的过程中，我们也会发现，她们身上所展现出的坚韧、乐观、勤劳的品质，正是我们这个时代所需要的。她们的故事，激励着我们不断前行，勇往直前。 找老妇女，是一种责任，更是一种情怀。让我们携手，共同传承这份乡愁，让老妇女的故事在新时代绽放出更加耀眼的光芒。

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。