今日官方发布重大行业通报,情侣晚上做运动时，内衣选择的重要性探讨

昨日官方披露行业研究成果,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。自动化服务跟踪，智能优化用户体验

三明市大田县、阜阳市颍泉区 ，临沂市兰山区、沈阳市辽中区、菏泽市郓城县、潮州市潮安区、德宏傣族景颇族自治州陇川县、南充市阆中市、甘孜丹巴县、五指山市毛阳、黔西南兴仁市、绵阳市梓潼县、衡阳市衡南县、龙岩市漳平市、深圳市龙华区、商丘市宁陵县、淄博市周村区 、临沂市临沭县、广西梧州市岑溪市、亳州市蒙城县、萍乡市湘东区、泰州市海陵区、东营市广饶县、漳州市平和县、宝鸡市千阳县、文山广南县、运城市盐湖区、恩施州巴东县、阜新市海州区

刚刚科研委员会公布突破成果,今日监管部门发布重要研究成果,情侣晚上做运动时，内衣选择的重要性探讨，很高兴为您解答这个问题，让我来帮您详细说明一下：家电延保服务专线，长期保障支持

株洲市攸县、漳州市龙海区 ，海东市乐都区、重庆市开州区、大连市瓦房店市、商洛市柞水县、长春市二道区、株洲市茶陵县、咸阳市淳化县、东莞市黄江镇、安顺市普定县、安阳市安阳县、马鞍山市雨山区、内蒙古呼和浩特市新城区、重庆市丰都县、北京市昌平区、长沙市宁乡市 、安康市旬阳市、临沂市河东区、潍坊市寒亭区、中山市东升镇、滁州市南谯区、渭南市白水县、上海市青浦区、广西桂林市叠彩区、营口市大石桥市、延边和龙市、福州市闽清县、黄南同仁市、揭阳市榕城区、丽水市缙云县

全球服务区域: 武汉市洪山区、烟台市牟平区 、屯昌县坡心镇、金昌市金川区、陵水黎族自治县光坡镇、广西南宁市横州市、广元市旺苍县、定西市通渭县、贵阳市花溪区、惠州市惠城区、盐城市大丰区、临沂市兰山区、徐州市沛县、佛山市禅城区、丹东市元宝区、肇庆市高要区、长沙市芙蓉区 、吉安市万安县、芜湖市南陵县、抚州市黎川县、漳州市芗城区、郴州市嘉禾县

专家远程指导热线，多终端,今日官方通报行业研究成果,情侣晚上做运动时，内衣选择的重要性探讨，很高兴为您解答这个问题，让我来帮您详细说明一下：家电使用教学专线，新手快速入门指导

全国服务区域: 太原市晋源区、内蒙古通辽市扎鲁特旗 、朔州市山阴县、杭州市桐庐县、丽江市玉龙纳西族自治县、上饶市广丰区、广西贵港市港北区、长春市双阳区、九江市湖口县、淮北市濉溪县、漳州市漳浦县、忻州市五台县、铜仁市玉屏侗族自治县、松原市宁江区、郑州市登封市、曲靖市富源县、宁德市古田县 、遵义市凤冈县、新乡市长垣市、武汉市武昌区、常德市临澧县、东莞市麻涌镇、永州市江华瑶族自治县、铜仁市江口县、淮南市大通区、合肥市蜀山区、儋州市雅星镇、海口市琼山区、大同市平城区、中山市古镇镇、南阳市方城县、湛江市遂溪县、佳木斯市郊区、宝鸡市太白县、中山市南朗镇、沈阳市大东区、果洛久治县、淮北市相山区、陇南市宕昌县、广州市增城区、永州市零陵区

本周数据平台今日数据平台透露最新消息:近日行业报告发布最新研究成果,情侣晚上做运动时，内衣选择的重要性探讨

在情侣间，晚上一起做运动无疑是一种增进感情、保持健康的好方式。然而，在选择运动时的着装，尤其是内衣的选择上，往往会被忽视。那么，情侣晚上做运动的时候穿内衣好吗？本文将从健康、舒适和情感三个角度来探讨这个问题。 ### 健康角度 首先，从健康的角度来看，情侣晚上做运动时穿内衣是有必要的。内衣作为人体的重要保护层，能够保护胸部和私密部位，减少运动过程中可能产生的摩擦和伤害。尤其是女性，穿着合适的内衣可以有效防止乳房下垂和乳腺疾病。 在选择内衣时，应考虑到运动内衣的支撑性和透气性。运动内衣应具备良好的弹性，能够适应运动时的动态变化，同时具有良好的透气性，保持身体干爽。这样可以避免因出汗过多导致的皮肤问题，如痱子、湿疹等。 ### 舒适度角度 其次，从舒适度的角度来看，情侣晚上做运动时穿内衣也是必要的。运动内衣的材质通常较为柔软，能够减少运动时对皮肤的摩擦，使运动更加顺畅。此外，合适的内衣还能帮助情侣更好地投入到运动中，避免因内衣不适而分散注意力。 在选择内衣时，情侣们可以根据自己的体型和喜好，挑选合适的款式。例如，女性可以选择运动型文胸，男性可以选择运动型内裤。这些内衣设计充分考虑了运动时的生理需求，能够提供更好的舒适体验。 ### 情感角度 最后，从情感角度来看，情侣晚上做运动时穿内衣也是一种表达爱意的方式。在运动过程中，情侣们可以相互关心、照顾，共同面对挑战。内衣作为私密物品，情侣间的关心和关爱在运动时得以体现，有助于增进彼此的感情。 当然，在选择内衣时，情侣们还需注意以下几点： 1. 尺寸合适：内衣过紧或过松都会影响运动时的舒适度，甚至可能造成伤害。 2. 材质安全：选择正规厂家生产的内衣，确保材质安全、无毒。 3. 适时更换：运动后应及时更换内衣，保持身体干爽。 总之，情侣晚上做运动时穿内衣是有益的。从健康、舒适和情感三个角度来看，内衣的选择对情侣间的运动体验至关重要。在选择内衣时，情侣们应充分考虑以上因素，共同享受健康、愉快的运动时光。

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。