今日行业报告更新研究成果,射击猎人输出：游戏中的强大输出职业解析

昨日官方传递最新研究成果,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。专业维修团队，客服热线一键联系

吉安市遂川县、福州市仓山区 ，渭南市合阳县、广西南宁市横州市、内蒙古巴彦淖尔市杭锦后旗、舟山市岱山县、广西桂林市兴安县、齐齐哈尔市建华区、玉树玉树市、成都市金牛区、商洛市洛南县、九江市武宁县、佛山市高明区、随州市随县、深圳市罗湖区、吉林市舒兰市、江门市新会区 、榆林市子洲县、上海市黄浦区、眉山市丹棱县、临沂市郯城县、东莞市道滘镇、渭南市大荔县、宁夏吴忠市青铜峡市、安康市白河县、上饶市广信区、玉溪市新平彝族傣族自治县、临汾市安泽县、普洱市景谷傣族彝族自治县

本周数据平台本月官方渠道公布权威通报,今日行业报告传达重要政策,射击猎人输出：游戏中的强大输出职业解析，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，智能管理维护周期

台州市仙居县、临高县调楼镇 ，毕节市赫章县、成都市邛崃市、丽江市玉龙纳西族自治县、遵义市湄潭县、楚雄永仁县、广西防城港市防城区、海南贵南县、佛山市顺德区、成都市蒲江县、伊春市丰林县、保亭黎族苗族自治县什玲、淄博市桓台县、凉山喜德县、哈尔滨市呼兰区、长春市榆树市 、陵水黎族自治县光坡镇、无锡市宜兴市、延安市宜川县、邵阳市北塔区、广西贺州市平桂区、亳州市蒙城县、岳阳市平江县、宜春市上高县、曲靖市麒麟区、常德市武陵区、淮南市寿县、大兴安岭地区新林区、哈尔滨市巴彦县、广西玉林市兴业县

全球服务区域: 新乡市延津县、广西梧州市岑溪市 、常州市金坛区、安康市汉阴县、南昌市南昌县、辽阳市辽阳县、本溪市平山区、内蒙古呼伦贝尔市根河市、鸡西市鸡东县、丹东市宽甸满族自治县、广西北海市银海区、佳木斯市桦川县、烟台市福山区、东莞市长安镇、茂名市信宜市、咸阳市武功县、遵义市湄潭县 、乐山市峨眉山市、郴州市桂东县、漳州市长泰区、龙岩市漳平市、广西河池市大化瑶族自治县

专业维修服务电话,昨日行业协会传递重大研究成果,射击猎人输出：游戏中的强大输出职业解析，很高兴为您解答这个问题，让我来帮您详细说明一下：家电调试服务热线，确保最佳使用状态

全国服务区域: 铁岭市清河区、阿坝藏族羌族自治州汶川县 、淄博市淄川区、贵阳市息烽县、内蒙古呼和浩特市土默特左旗、内蒙古呼和浩特市玉泉区、菏泽市成武县、宁夏中卫市沙坡头区、台州市仙居县、杭州市富阳区、温州市平阳县、贵阳市观山湖区、镇江市京口区、咸阳市旬邑县、济源市市辖区、温州市鹿城区、济南市长清区 、乐山市井研县、德州市禹城市、长春市南关区、湛江市廉江市、儋州市兰洋镇、上海市静安区、淮南市大通区、衡阳市蒸湘区、西宁市大通回族土族自治县、红河元阳县、南充市嘉陵区、万宁市礼纪镇、果洛玛沁县、潍坊市寒亭区、长沙市宁乡市、枣庄市台儿庄区、儋州市雅星镇、安庆市望江县、十堰市郧阳区、德州市禹城市、甘孜稻城县、三门峡市义马市、漳州市长泰区、济宁市汶上县

本周数据平台不久前行业协会透露新变化:昨日官方披露行业研究成果,射击猎人输出：游戏中的强大输出职业解析

在众多游戏类型中，射击游戏因其紧张刺激的战斗体验和丰富的角色设定而备受玩家喜爱。其中，射击猎人作为一个独特的职业，以其强大的输出能力在游戏中占据了一席之地。本文将为大家解析射击猎人这一职业的特点、技能以及如何在游戏中发挥其输出优势。 一、射击猎人的特点 射击猎人作为游戏中的输出职业，具备以下特点： 1. 高输出：射击猎人的主要职责是进行远程攻击，其技能通常具有高伤害输出，能够在短时间内对敌人造成大量伤害。 2. 机动性强：射击猎人通常具有较快的移动速度和跳跃能力，便于在战斗中寻找有利位置，躲避敌人的攻击。 3. 生存能力较强：射击猎人拥有一定的生存能力，如生命值较高、拥有护盾等，使其在战斗中具有一定的抗打击能力。 4. 技能多样性：射击猎人的技能组合丰富，包括普通攻击、特殊攻击、辅助技能等，能够根据战斗情况灵活运用。 二、射击猎人的技能解析 1. 普通攻击：射击猎人的普通攻击通常是快速且连续的射击，具有较高的伤害输出。 2. 特殊攻击：射击猎人的特殊攻击具有强大的爆发力，如火箭弹、散射弹等，能够对敌人造成大量伤害。 3. 辅助技能：射击猎人还拥有一些辅助技能，如治疗、减速、控制等，能够帮助团队在战斗中占据优势。 4. 技能组合：射击猎人在战斗中需要根据实际情况灵活运用技能组合，如先使用辅助技能控制敌人，再使用特殊攻击造成高额伤害。 三、射击猎人输出优势发挥 1. 选择合适的武器：射击猎人在游戏中需要根据战斗需求选择合适的武器，如狙击枪、步枪、霰弹枪等，以提高输出能力。 2. 合理搭配装备：射击猎人在游戏中需要合理搭配装备，如攻击力、防御力、生命值等，以增强自身的生存能力。 3. 灵活运用技能：射击猎人需要根据战斗情况灵活运用技能，如先使用辅助技能控制敌人，再使用特殊攻击造成高额伤害。 4. 团队协作：射击猎人需要与队友保持良好的团队协作，如互相支援、共享资源等，以提高团队整体实力。 总之，射击猎人作为一款游戏中强大的输出职业，具有高输出、机动性强、生存能力较强等特点。掌握其技能和输出优势，将有助于玩家在游戏中取得更好的成绩。让我们一起走进射击猎人的世界，感受这一职业的魅力吧！

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。