本月行业报告发布新政策,顶级跑马牧场攻略：打造你的梦幻马场之旅

本周研究机构传达最新行业进展,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24小时服务热线，紧急故障优先处理

漳州市南靖县、广西钦州市钦北区 ，昌江黎族自治县王下乡、肇庆市高要区、云浮市罗定市、扬州市邗江区、赣州市赣县区、南京市建邺区、广安市邻水县、东营市东营区、延安市甘泉县、巴中市平昌县、延边和龙市、宝鸡市麟游县、北京市平谷区、宜昌市当阳市、文山西畴县 、菏泽市巨野县、黑河市北安市、丽江市古城区、重庆市江北区、上海市静安区、福州市晋安区、萍乡市莲花县、黔西南兴义市、宜春市樟树市、牡丹江市爱民区、东方市板桥镇、红河金平苗族瑶族傣族自治县

统一售后服务专线，全国联网服务,昨日行业报告公布最新成果,顶级跑马牧场攻略：打造你的梦幻马场之旅，很高兴为您解答这个问题，让我来帮您详细说明一下：24小时维修客服热线，随时为您服务

宣城市旌德县、朔州市右玉县 ，宁德市福安市、宜昌市枝江市、嘉兴市桐乡市、开封市尉氏县、郑州市登封市、肇庆市高要区、安顺市西秀区、合肥市庐江县、信阳市光山县、焦作市博爱县、孝感市大悟县、扬州市宝应县、淄博市高青县、文昌市潭牛镇、屯昌县南吕镇 、文山马关县、延安市子长市、乐山市市中区、阳泉市郊区、海东市循化撒拉族自治县、咸宁市通城县、五指山市南圣、昆明市官渡区、肇庆市高要区、重庆市城口县、哈尔滨市方正县、潍坊市坊子区、鸡西市密山市、广西百色市田阳区

全球服务区域: 江门市开平市、东莞市桥头镇 、凉山冕宁县、营口市盖州市、凉山金阳县、聊城市阳谷县、黄山市休宁县、嘉兴市海盐县、重庆市荣昌区、淮安市金湖县、抚顺市清原满族自治县、渭南市华阴市、哈尔滨市呼兰区、达州市万源市、中山市小榄镇、东莞市望牛墩镇、咸宁市崇阳县 、朔州市平鲁区、遵义市凤冈县、延安市宜川县、襄阳市南漳县、文昌市翁田镇

专业维修服务电话,昨日相关部门披露新政策,顶级跑马牧场攻略：打造你的梦幻马场之旅，很高兴为您解答这个问题，让我来帮您详细说明一下：客服中心全国联网，服务更便捷

全国服务区域: 吉安市峡江县、黄南同仁市 、东莞市寮步镇、曲靖市富源县、太原市杏花岭区、宁波市鄞州区、晋中市祁县、韶关市新丰县、长春市德惠市、眉山市丹棱县、泸州市泸县、河源市源城区、陇南市武都区、广州市从化区、临夏广河县、牡丹江市东安区、大庆市大同区 、南阳市方城县、南阳市新野县、临高县东英镇、聊城市莘县、烟台市栖霞市、西宁市城东区、南通市海安市、安康市宁陕县、宁夏石嘴山市惠农区、温州市鹿城区、延边敦化市、大庆市大同区、鞍山市铁东区、沈阳市辽中区、内蒙古呼和浩特市土默特左旗、怀化市靖州苗族侗族自治县、潍坊市奎文区、漯河市郾城区、昆明市晋宁区、常州市武进区、广西桂林市阳朔县、韶关市南雄市、金华市金东区、孝感市大悟县

本周数据平台最新相关部门透露权威通报:本月行业报告传达最新进展,顶级跑马牧场攻略：打造你的梦幻马场之旅

随着人们对健康生活方式的追求，骑马成为了一种越来越受欢迎的运动。而拥有一片自己的跑马牧场，更是许多马术爱好者的梦想。今天，就让我们一起来探索顶级跑马牧场的攻略，助你打造一场梦幻马场之旅。 一、选址与规划 1. 选址：选择一个交通便利、环境优美、气候适宜的地方。考虑到马匹的生活习性，最好选择靠近水源、植被丰富的地方。 2. 规划：根据场地大小和用途，合理规划牧场布局。一般包括马厩区、运动场、休息区、接待区等。 二、设施建设 1. 马厩：马厩是马匹生活的场所，要保证通风、保暖、防潮。马厩内可设置休息区、喂食区、清洁区等。 2. 运动场：运动场是马匹训练和比赛的地方，要保证地面平整、排水良好。运动场可设置跑道、障碍区等。 3. 接待区：接待区是供游客休息、交流的地方，可设置休息室、茶室、餐厅等。 4. 休息区：休息区供马匹休息和游客休息，可设置凉亭、座椅等。 三、马匹引进与养护 1. 引进：选择品种优良、健康状况良好的马匹。可从国内外知名马场引进。 2. 养护：定期为马匹进行体检、疫苗接种、驱虫等。保证马匹的生活环境清洁、舒适。 四、培训与教学 1. 培训：聘请专业教练，对马匹进行训练，提高其运动能力。 2. 教学：为游客提供马术教学，让更多人了解和喜爱马术。 五、活动策划 1. 定期举办马术比赛、马术表演等活动，吸引游客。 2. 开展亲子活动、夏令营等，让游客在享受马术乐趣的同时，增进亲子关系。 3. 合作举办马术主题展览、摄影比赛等活动，提升牧场知名度。 六、宣传与推广 1. 利用网络、社交媒体等渠道，宣传牧场特色和活动。 2. 与旅行社、马术俱乐部等合作，扩大牧场影响力。 3. 参加行业展会，拓展市场。 总之，打造顶级跑马牧场需要从选址、规划、设施建设、马匹引进与养护、培训与教学、活动策划、宣传与推广等多方面入手。只有做好每一个环节，才能让你的牧场成为游客心中的梦幻之地。快来开启你的跑马牧场之旅吧！

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。