昨日行业协会公开最新政策,龙之谷炼金圣士加点攻略：打造最强炼金大师

今日官方通报研究成果,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。家电回收进度查询，实时跟踪处理状态

甘南碌曲县、淮安市金湖县 ，十堰市竹山县、宿州市泗县、张掖市甘州区、杭州市淳安县、榆林市定边县、凉山喜德县、福州市连江县、甘孜九龙县、南昌市进贤县、抚州市乐安县、襄阳市襄州区、聊城市冠县、濮阳市南乐县、安康市镇坪县、揭阳市揭东区 、商洛市镇安县、保山市隆阳区、齐齐哈尔市克山县、天津市河西区、宁夏吴忠市青铜峡市、衡阳市衡阳县、烟台市龙口市、铜仁市印江县、阿坝藏族羌族自治州小金县、万宁市龙滚镇、安庆市怀宁县、张家界市慈利县

本周数据平台今日官方渠道披露重磅消息,今日研究机构披露重要行业成果,龙之谷炼金圣士加点攻略：打造最强炼金大师，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

武汉市硚口区、邵阳市双清区 ，宜宾市南溪区、邵阳市北塔区、延边珲春市、三亚市吉阳区、怀化市麻阳苗族自治县、上饶市广信区、哈尔滨市道里区、娄底市冷水江市、凉山木里藏族自治县、莆田市秀屿区、深圳市龙华区、铜仁市江口县、哈尔滨市通河县、岳阳市君山区、合肥市长丰县 、珠海市香洲区、赣州市会昌县、河源市龙川县、九江市共青城市、周口市沈丘县、内江市资中县、潍坊市高密市、郑州市新郑市、荆门市沙洋县、广西崇左市龙州县、驻马店市确山县、北京市通州区、广元市昭化区、开封市龙亭区

全球服务区域: 北京市通州区、安庆市大观区 、烟台市龙口市、太原市迎泽区、广西桂林市象山区、邵阳市大祥区、红河个旧市、抚州市宜黄县、万宁市后安镇、忻州市原平市、滁州市天长市、淮北市烈山区、乐山市马边彝族自治县、遵义市赤水市、普洱市景谷傣族彝族自治县、河源市和平县、榆林市绥德县 、揭阳市普宁市、成都市都江堰市、镇江市句容市、北京市通州区、茂名市化州市

近日技术小组通报核心进展,昨日相关部门传达重要研究成果,龙之谷炼金圣士加点攻略：打造最强炼金大师，很高兴为您解答这个问题，让我来帮您详细说明一下：专业配件咨询中心，精准推荐型号

全国服务区域: 澄迈县加乐镇、晋中市左权县 、郑州市巩义市、广西贺州市富川瑶族自治县、金华市义乌市、上海市青浦区、宁波市江北区、恩施州巴东县、巴中市南江县、盐城市亭湖区、郑州市管城回族区、北京市怀柔区、宿迁市泗洪县、怀化市会同县、台州市玉环市、苏州市张家港市、淄博市张店区 、珠海市香洲区、永州市冷水滩区、宁夏固原市彭阳县、毕节市织金县、汉中市镇巴县、鹰潭市余江区、济南市长清区、昌江黎族自治县石碌镇、雅安市汉源县、内蒙古包头市土默特右旗、信阳市潢川县、东莞市万江街道、合肥市蜀山区、襄阳市宜城市、成都市新津区、乐东黎族自治县万冲镇、黔东南凯里市、周口市项城市、西安市高陵区、洛阳市栾川县、宣城市旌德县、东莞市谢岗镇、无锡市惠山区、临高县南宝镇

刚刚决策部门公开重大调整:本周监管部门传达重磅消息,龙之谷炼金圣士加点攻略：打造最强炼金大师

在《龙之谷》这款游戏中，炼金圣士作为辅助职业，以其独特的炼金技能和强大的治疗能力，在团队中扮演着至关重要的角色。如何为炼金圣士进行合理的加点，使其在游戏中发挥出最大的作用，是许多玩家关心的问题。本文将为大家详细介绍龙之谷炼金圣士的加点攻略，助你打造最强炼金大师。 一、职业特点 炼金圣士拥有丰富的炼金技能，可以制作各种药剂和治疗道具，为团队提供持续的治疗和辅助效果。同时，炼金圣士还具备一定的输出能力，可以在关键时刻为团队提供火力支援。 二、加点推荐 1. 主属性：智力 作为辅助职业，智力是炼金圣士的核心属性。高智力可以提升炼金圣士的炼金技能效果，增加治疗量和辅助效果。建议将主属性全部投入到智力上。 2. 副属性： （1）力量：提升炼金圣士的物理攻击力，增强输出能力。 （2）敏捷：提升炼金圣士的闪避率和暴击率，提高生存能力。 （3）体质：提升炼金圣士的生存能力，减少受到的伤害。 综合考虑，建议将副属性按照以下比例分配： 力量：10% 敏捷：20% 体质：70% 3. 技能加点： （1）炼金技能：将炼金技能作为核心技能，提升炼金技能等级，增强治疗量和辅助效果。 （2）治疗技能：提升治疗技能等级，提高治疗能力和治疗范围。 （3）辅助技能：提升辅助技能等级，增强团队整体实力。 具体技能加点如下： 炼金技能：100级 治疗技能：90级 辅助技能：80级 三、装备搭配 1. 主手武器：建议选择治疗剑或治疗杖，以提升治疗能力和辅助效果。 2. 副手武器：选择治疗匕首或治疗匕首，增强输出能力。 3. 防具：选择治疗套装，提升生存能力和治疗能力。 4. 饰品：选择智力、力量、体质属性饰品，全面提升炼金圣士的综合实力。 四、团队定位 在团队中，炼金圣士应充分发挥其治疗和辅助作用，为队友提供持续的治疗和辅助效果。同时，在关键时刻，炼金圣士还可以利用输出技能为团队提供火力支援。 总结： 通过以上攻略，相信玩家们已经对龙之谷炼金圣士的加点有了更深入的了解。合理加点、搭配合适的装备，炼金圣士将成为游戏中不可或缺的辅助职业。祝大家在游戏中玩得愉快，打造最强炼金大师！

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。