昨日行业协会传递重大研究成果,乱码一二三：探寻数字时代下的符号奥秘

本周官方传递最新行业报告,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。全国标准化服务，统一技术操作规范

宿州市埇桥区、宁夏固原市彭阳县 ，滁州市琅琊区、内蒙古锡林郭勒盟阿巴嘎旗、十堰市郧阳区、张家界市慈利县、凉山宁南县、潍坊市奎文区、上海市嘉定区、徐州市铜山区、泰州市泰兴市、镇江市扬中市、肇庆市高要区、铜陵市郊区、内蒙古呼伦贝尔市额尔古纳市、吕梁市孝义市、阜阳市颍州区 、榆林市佳县、乐东黎族自治县莺歌海镇、江门市恩平市、甘孜九龙县、广西河池市大化瑶族自治县、吕梁市交口县、广州市荔湾区、汕头市龙湖区、陵水黎族自治县新村镇、乐东黎族自治县佛罗镇、红河红河县、广西梧州市岑溪市

近日监测小组公开最新参数,本周研究机构发布新动态,乱码一二三：探寻数字时代下的符号奥秘，很高兴为您解答这个问题，让我来帮您详细说明一下：家电问题反馈专线，多渠道受理投诉

苏州市常熟市、宿迁市宿豫区 ，朝阳市建平县、九江市湖口县、内蒙古呼伦贝尔市根河市、荆州市监利市、陇南市宕昌县、常州市天宁区、哈尔滨市方正县、贵阳市修文县、汕尾市陆丰市、枣庄市山亭区、六安市舒城县、清远市清城区、惠州市惠阳区、湛江市徐闻县、南平市政和县 、无锡市锡山区、聊城市临清市、上饶市婺源县、上海市嘉定区、临沂市兰陵县、黄南尖扎县、清远市清新区、巴中市巴州区、攀枝花市仁和区、运城市河津市、衡阳市雁峰区、三亚市海棠区、贵阳市云岩区、郴州市安仁县

全球服务区域: 内蒙古呼伦贝尔市根河市、三门峡市义马市 、海北刚察县、泉州市晋江市、牡丹江市海林市、连云港市东海县、长治市黎城县、烟台市龙口市、西安市周至县、泉州市金门县、成都市金牛区、榆林市吴堡县、黑河市五大连池市、临高县多文镇、榆林市靖边县、乐东黎族自治县抱由镇、淄博市张店区 、焦作市中站区、绥化市青冈县、聊城市东阿县、昆明市官渡区、广西桂林市象山区

本周数据平台今日多方媒体透露研究成果,昨日业内人士传出行业新变化,乱码一二三：探寻数字时代下的符号奥秘，很高兴为您解答这个问题，让我来帮您详细说明一下：家电以旧换新热线，专业评估回收

全国服务区域: 天津市蓟州区、荆州市松滋市 、广西南宁市宾阳县、宜春市铜鼓县、赣州市章贡区、宁夏固原市西吉县、济南市天桥区、焦作市博爱县、宁夏石嘴山市大武口区、太原市晋源区、南昌市西湖区、宣城市广德市、南平市武夷山市、株洲市渌口区、泉州市鲤城区、淮安市淮阴区、汕头市潮南区 、宜春市上高县、新乡市凤泉区、衡阳市祁东县、临沂市蒙阴县、漯河市舞阳县、丽江市玉龙纳西族自治县、宁德市福安市、内蒙古乌兰察布市卓资县、临夏康乐县、牡丹江市林口县、大同市新荣区、阳泉市郊区、潍坊市寿光市、雅安市名山区、汉中市镇巴县、中山市南区街道、宁夏银川市贺兰县、临汾市侯马市、永州市零陵区、吉安市万安县、哈尔滨市道里区、吕梁市孝义市、朔州市右玉县、珠海市斗门区

24小时维修咨询热线，智能语音导航:本月行业报告披露新进展,乱码一二三：探寻数字时代下的符号奥秘

在数字化的浪潮中，我们每天都会接触到各种各样的符号。这些符号，有的简洁明了，有的则复杂难懂。今天，就让我们一起来探寻那些让人困惑的“乱码一二三”，以及它们背后所蕴含的深层含义。 乱码，顾名思义，就是一些看似毫无规律的符号组合。在日常生活中，我们经常会遇到一些乱码，比如手机短信中的乱码、网页上的乱码等。这些乱码的出现，往往让人感到困惑和烦躁。然而，在数字时代，乱码却有着其独特的价值。 首先，乱码在一定程度上保护了我们的隐私。在互联网上，个人信息泄露的风险无处不在。为了防止个人信息被他人窃取，许多企业和机构都会使用乱码来加密信息。这样一来，即使有人看到了乱码，也无法理解其真实含义，从而有效保护了用户的隐私。 其次，乱码在艺术创作中也有着举足轻重的地位。许多艺术家将乱码作为创作素材，通过将乱码进行组合、变形，创造出独特的艺术作品。这些作品不仅具有很高的观赏价值，还传递出艺术家对数字时代的独特见解。 那么，乱码一二三又代表了什么呢？在这里，我们可以从以下几个方面来解读。 一、乱码一二三的数字意义 在数字时代，数字已经成为了我们生活中不可或缺的一部分。乱码一二三中的“一二三”，可以理解为数字的演变过程。从最初的简单计数，到后来的复杂运算，再到如今的智能化应用，数字一直在不断地发展、创新。 二、乱码一二三的文化内涵 乱码一二三中的“乱码”，体现了数字时代下的文化多样性。在全球化的大背景下，各种文化相互交融、碰撞，形成了丰富多彩的文化景观。乱码作为这一现象的缩影，展现了数字时代文化的包容性和创新性。 三、乱码一二三的社会影响 乱码一二三的出现，对我们的生活产生了深远的影响。一方面，乱码让我们的生活更加便捷，比如二维码的普及，让我们的支付、信息查询等变得更加简单；另一方面，乱码也带来了一些问题，如信息安全、隐私泄露等。 总之，乱码一二三作为数字时代下的特殊符号，具有丰富的内涵和深远的影响。在今后的日子里，我们还将继续与乱码相伴，共同见证数字时代的变迁。让我们携手努力，揭开乱码的神秘面纱，探索数字世界的无限可能。

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。