昨日官方发布最新行业成果,国产精品内容 - 精选优质原创作品

本月行业协会发布重大动态,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。家电服务反馈专线，多渠道收集意见

宜宾市江安县、甘孜稻城县 ，红河红河县、玉溪市华宁县、广安市华蓥市、南京市秦淮区、中山市东升镇、潍坊市安丘市、牡丹江市西安区、保山市腾冲市、凉山冕宁县、佳木斯市东风区、宜春市万载县、吕梁市孝义市、营口市大石桥市、广西崇左市宁明县、南阳市内乡县 、梅州市蕉岭县、渭南市富平县、红河元阳县、台州市玉环市、南通市海安市、泉州市泉港区、琼海市潭门镇、铁岭市铁岭县、海北门源回族自治县、甘孜色达县、深圳市龙华区、朔州市平鲁区

可视化故障排除专线,今日监管部门披露行业动向,国产精品内容 - 精选优质原创作品，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24小时在线，随时响应需求

株洲市醴陵市、张掖市民乐县 ，广州市增城区、怀化市芷江侗族自治县、甘孜新龙县、无锡市锡山区、芜湖市繁昌区、宜春市上高县、内蒙古赤峰市松山区、铜川市王益区、凉山会理市、杭州市富阳区、普洱市墨江哈尼族自治县、东方市天安乡、马鞍山市和县、临夏康乐县、白银市平川区 、阿坝藏族羌族自治州红原县、海南同德县、泰州市靖江市、甘孜炉霍县、渭南市华阴市、珠海市斗门区、宁夏石嘴山市惠农区、西安市莲湖区、广西崇左市龙州县、直辖县天门市、德阳市什邡市、漳州市龙海区、东莞市长安镇、内蒙古包头市九原区

全球服务区域: 温州市永嘉县、贵阳市息烽县 、福州市平潭县、南昌市东湖区、大连市庄河市、重庆市巫溪县、儋州市兰洋镇、哈尔滨市通河县、驻马店市上蔡县、上饶市铅山县、漳州市长泰区、广西南宁市兴宁区、漳州市龙文区、三沙市南沙区、吕梁市临县、扬州市仪征市、衢州市开化县 、昌江黎族自治县叉河镇、汉中市洋县、潍坊市青州市、驻马店市新蔡县、许昌市建安区

专家在线诊断专线,昨日研究机构公开研究成果,国产精品内容 - 精选优质原创作品，很高兴为您解答这个问题，让我来帮您详细说明一下：家电配件订购专线，原厂正品保障

全国服务区域: 广西南宁市横州市、萍乡市莲花县 、滁州市凤阳县、重庆市万州区、广西柳州市柳北区、鸡西市密山市、长沙市芙蓉区、榆林市吴堡县、衡阳市雁峰区、东莞市樟木头镇、绥化市北林区、延边珲春市、莆田市城厢区、湘潭市湘乡市、酒泉市肃州区、内蒙古锡林郭勒盟正蓝旗、乐东黎族自治县九所镇 、宁夏中卫市海原县、临汾市隰县、鹤岗市东山区、广安市华蓥市、白银市白银区、河源市东源县、湘潭市韶山市、襄阳市保康县、北京市石景山区、内蒙古通辽市库伦旗、潍坊市安丘市、洛阳市偃师区、成都市简阳市、齐齐哈尔市富裕县、宜昌市伍家岗区、吉安市万安县、丹东市振兴区、广安市邻水县、乐东黎族自治县黄流镇、南昌市新建区、平凉市华亭县、绥化市安达市、德宏傣族景颇族自治州盈江县、广西崇左市天等县

本周数据平台稍早前行业协会报道新政:本周行业协会发布最新研究成果,国产精品内容 - 精选优质原创作品

在现代社会，沟通技巧的重要性不言而喻。无论是在职场中与同事协作，还是在日常生活中与朋友和家人相处，良好的沟通能力都是维系和谐关系的关键。本文将探讨沟通技巧的重要性，并提供一些实用的建议，以帮助读者提升自己的沟通能力。 首先，沟通是信息传递的桥梁。在工作场合，有效的沟通能够确保项目信息的准确传达，减少误解和冲突。例如，通过清晰的会议记录和及时的电子邮件更新，团队成员可以保持同步，避免工作重复或遗漏。在个人生活中，良好的沟通能够帮助我们更好地理解他人的感受和需求，从而建立更深层次的人际关系。 其次，沟通技巧的提升可以增强个人的说服力。在商业谈判或日常决策中，能够清晰、有逻辑地表达自己的观点，往往能够赢得他人的支持和信任。这种能力不仅有助于个人职业发展，也能在日常生活中帮助我们更好地解决问题和达成共识。 为了提升沟通技巧，以下是一些建议： 倾听：在对话中，倾听对方的观点和需求是建立有效沟通的第一步。通过全神贯注地听，我们可以更好地理解对方，并给予适当的反馈。 清晰表达：在表达自己的观点时，尽量使用简洁、明确的语言。避免使用复杂的术语或冗长的句子，这样可以减少误解的可能性。 非语言沟通：肢体语言、面部表情和语调都是沟通的重要组成部分。确保这些非语言信号与我们的言语信息相一致，可以增强沟通的效果。 反馈：在对话结束后，给予对方反馈，确认信息是否被正确理解。这不仅有助于澄清任何潜在的误解，也是对对方尊重的表现。 适应性：不同的人有不同的沟通风格。了解并适应对方的沟通方式，可以使对话更加顺畅。 总之，沟通技巧是个人成功的关键因素之一。通过提升我们的沟通能力，我们不仅能够在工作中取得更好的成绩，还能在个人生活中建立更和谐的人际关系。实践这些建议，我们可以逐步提高自己的沟通技巧，从而在各种社交场合中更加自信和有效。

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。