本月官方发布行业报告,斗鱼阿怡：网络红人的崛起与影响力

昨日行业报告发布重要成果,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。全国标准化热线，统一维修服务标准

双鸭山市集贤县、丹东市元宝区 ，济南市长清区、重庆市九龙坡区、宁夏中卫市中宁县、大兴安岭地区加格达奇区、武威市凉州区、黄山市黟县、兰州市城关区、孝感市云梦县、延边珲春市、哈尔滨市道里区、吕梁市临县、郴州市桂东县、楚雄武定县、上海市金山区、黄石市下陆区 、成都市双流区、景德镇市昌江区、甘孜理塘县、焦作市温县、重庆市沙坪坝区、蚌埠市龙子湖区、南京市浦口区、抚州市乐安县、武汉市青山区、咸阳市礼泉县、南平市邵武市、广西玉林市北流市

本周官方渠道披露研究成果,今日官方渠道披露新政策,斗鱼阿怡：网络红人的崛起与影响力，很高兴为您解答这个问题，让我来帮您详细说明一下：智能安装预约系统，自动分配技师

常德市津市市、西安市碑林区 ，榆林市定边县、资阳市安岳县、东营市利津县、上海市崇明区、齐齐哈尔市讷河市、东莞市南城街道、临沧市永德县、常州市金坛区、汕头市金平区、天水市秦安县、遵义市凤冈县、保山市昌宁县、韶关市南雄市、荆州市洪湖市、赣州市寻乌县 、周口市扶沟县、新乡市新乡县、天水市张家川回族自治县、安阳市安阳县、西宁市湟中区、上饶市余干县、内蒙古呼和浩特市和林格尔县、宜昌市五峰土家族自治县、泸州市合江县、赣州市章贡区、菏泽市东明县、茂名市电白区、鄂州市鄂城区、上海市黄浦区

全球服务区域: 湘潭市湘潭县、温州市瓯海区 、沈阳市于洪区、西宁市城西区、济南市历下区、玉溪市峨山彝族自治县、昌江黎族自治县海尾镇、内蒙古通辽市科尔沁区、定安县龙河镇、宁波市江北区、哈尔滨市方正县、本溪市本溪满族自治县、龙岩市连城县、海东市乐都区、天水市张家川回族自治县、铁岭市西丰县、陇南市康县 、北京市朝阳区、汉中市佛坪县、成都市邛崃市、珠海市香洲区、长沙市宁乡市

统一服务管理平台，智能监控质量,本月官方渠道发布重要报告,斗鱼阿怡：网络红人的崛起与影响力，很高兴为您解答这个问题，让我来帮您详细说明一下：智能安装预约系统，自动分配技师

全国服务区域: 东营市利津县、上饶市广信区 、抚顺市新宾满族自治县、菏泽市定陶区、黔南平塘县、赣州市寻乌县、汕尾市海丰县、深圳市龙岗区、宜昌市宜都市、金华市磐安县、岳阳市平江县、重庆市城口县、黄南同仁市、忻州市五寨县、梅州市大埔县、儋州市峨蔓镇、延边龙井市 、内蒙古赤峰市巴林左旗、张家界市桑植县、铁岭市开原市、晋中市昔阳县、临汾市襄汾县、宜昌市秭归县、榆林市定边县、南通市启东市、安庆市宿松县、直辖县天门市、重庆市石柱土家族自治县、上海市闵行区、成都市邛崃市、常州市武进区、无锡市新吴区、丽江市永胜县、东莞市黄江镇、渭南市临渭区、内蒙古巴彦淖尔市乌拉特后旗、成都市大邑县、赣州市于都县、河源市东源县、武汉市洪山区、淄博市沂源县

近日调查组公开关键证据:今日官方渠道披露行业动态,斗鱼阿怡：网络红人的崛起与影响力

随着互联网的普及，网络红人逐渐成为了人们关注的焦点。在这些网络红人中，斗鱼阿怡以其独特的魅力和才华脱颖而出，成为了众多粉丝心目中的女神。那么，斗鱼阿怡是如何从一个普通的网络主播成长为知名的网络红人的呢？她的影响力又体现在哪些方面呢？ 一、斗鱼阿怡的崛起之路 斗鱼阿怡，原名陈怡，出生于1996年，是一名来自四川成都的网络主播。她在2016年开始在斗鱼直播平台上进行游戏直播，凭借其甜美的外貌、亲和的性格和扎实的游戏技巧，迅速吸引了大量粉丝的关注。在她的直播生涯中，阿怡曾担任过英雄联盟、王者荣耀等多个热门游戏的解说，成为了斗鱼平台上的知名主播。 阿怡的直播风格幽默风趣，善于与观众互动，这使得她在短时间内积累了大量的粉丝。在她的直播间，观众不仅能感受到游戏的乐趣，还能体验到生活的温馨。正是这种独特的魅力，让阿怡在众多网络主播中脱颖而出，成为了斗鱼平台的顶尖主播。 二、斗鱼阿怡的影响力 1. 传播正能量 阿怡在直播过程中，不仅关注游戏本身，还注重传播正能量。她经常在直播中分享自己的成长经历、生活感悟，鼓励粉丝勇敢面对生活中的困难和挑战。这种正能量的传播，使得阿怡在粉丝心中的形象更加立体，也让她的影响力得到了进一步提升。 2. 带动行业发展 随着阿怡知名度的不断提高，她所涉及的行业也越来越多。从游戏直播到综艺节目，再到时尚、旅游等领域，阿怡都展现出了出色的表现。她的跨界发展，不仅带动了相关行业的发展，也为其他网络红人树立了榜样。 3. 拓展商业价值 阿怡凭借其庞大的粉丝群体和广泛的影响力，成功拓展了商业价值。她曾与多个品牌合作，担任代言人、形象大使等职务，为品牌带来了巨大的商业利益。此外，阿怡还成立了个人工作室，涉及影视、音乐等多个领域，进一步提升了她的商业价值。 三、结语 斗鱼阿怡的崛起，充分展示了网络红人在当今社会的影响力。她用自己的才华和努力，赢得了广大粉丝的喜爱，也为网络行业的发展注入了新的活力。相信在未来的日子里，阿怡会继续发挥自己的优势，为观众带来更多精彩的表现，成为我国网络红人的佼佼者。

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。