刚刚国家机构发布最新通报,探寻摩尔庄园的铜矿石宝藏：历史、价值与探险之旅

今日监管部门披露研究新动态,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。全国联保服务热线，正规售后有保障

广西南宁市西乡塘区、哈尔滨市双城区 ，昆明市晋宁区、烟台市海阳市、常德市石门县、广西钦州市钦北区、上海市闵行区、澄迈县中兴镇、平顶山市郏县、吉林市舒兰市、南昌市西湖区、阿坝藏族羌族自治州阿坝县、东莞市石龙镇、重庆市长寿区、济宁市嘉祥县、焦作市沁阳市、中山市神湾镇 、临汾市霍州市、咸阳市彬州市、长治市长子县、广西贵港市平南县、咸阳市三原县、广西南宁市横州市、温州市乐清市、忻州市宁武县、宁德市古田县、海南贵南县、南充市仪陇县、铜陵市义安区

本周数据平台今日官方渠道公布最新动态,稍早前相关部门更新进展,探寻摩尔庄园的铜矿石宝藏：历史、价值与探险之旅，很高兴为您解答这个问题，让我来帮您详细说明一下：全国统一安装标准，规范操作流程

淮安市金湖县、文山西畴县 ，大理剑川县、伊春市汤旺县、信阳市息县、伊春市金林区、长沙市望城区、潮州市饶平县、本溪市平山区、许昌市建安区、澄迈县老城镇、龙岩市永定区、信阳市平桥区、株洲市攸县、福州市台江区、朔州市山阴县、枣庄市滕州市 、东方市东河镇、南京市秦淮区、西安市蓝田县、商丘市睢县、海东市乐都区、营口市盖州市、昆明市五华区、临汾市侯马市、哈尔滨市方正县、广西百色市隆林各族自治县、佳木斯市抚远市、濮阳市台前县、广元市青川县、惠州市龙门县

全球服务区域: 南昌市青山湖区、许昌市建安区 、萍乡市湘东区、咸宁市通山县、岳阳市岳阳县、马鞍山市当涂县、文昌市东郊镇、丽水市景宁畲族自治县、乐山市金口河区、南阳市方城县、内蒙古锡林郭勒盟阿巴嘎旗、广元市青川县、咸阳市乾县、自贡市大安区、天津市和平区、阜阳市颍上县、临汾市襄汾县 、郑州市新密市、天水市麦积区、清远市连州市、铜陵市郊区、七台河市勃利县

全天候服务支持热线,刚刚官方渠道披露重要信息,探寻摩尔庄园的铜矿石宝藏：历史、价值与探险之旅，很高兴为您解答这个问题，让我来帮您详细说明一下：家电功能演示热线，专业展示使用技巧

全国服务区域: 抚州市黎川县、常州市武进区 、广西北海市银海区、成都市青羊区、长春市南关区、德州市齐河县、重庆市梁平区、南京市玄武区、黄南同仁市、锦州市凌河区、三门峡市义马市、内蒙古乌兰察布市卓资县、南昌市安义县、甘孜得荣县、丽江市玉龙纳西族自治县、苏州市吴江区、衡阳市衡阳县 、宿迁市宿城区、资阳市雁江区、商洛市商南县、定西市通渭县、抚顺市顺城区、抚州市崇仁县、昌江黎族自治县海尾镇、文昌市冯坡镇、惠州市惠城区、阳泉市城区、内蒙古呼和浩特市回民区、乐东黎族自治县万冲镇、广西桂林市阳朔县、中山市中山港街道、宜春市樟树市、乐山市峨边彝族自治县、长治市潞州区、九江市彭泽县、抚州市黎川县、四平市铁东区、松原市宁江区、白城市镇赉县、郑州市登封市、昆明市晋宁区

本周官方渠道披露研究成果:刚刚官方渠道发布新动态,探寻摩尔庄园的铜矿石宝藏：历史、价值与探险之旅

摩尔庄园，这个充满奇幻色彩的儿童游戏世界，不仅吸引了无数小朋友的喜爱，也让许多探险爱好者心驰神往。在摩尔庄园的广袤土地上，隐藏着一种珍贵的资源——铜矿石。今天，就让我们一起来揭开摩尔庄园铜矿石的神秘面纱，探寻其历史、价值以及探险之旅。 一、摩尔庄园铜矿石的历史 摩尔庄园铜矿石的历史可以追溯到遥远的古代。在摩尔庄园的传说中，铜矿石是摩尔王国繁荣昌盛的基石。早在摩尔王国建立之初，铜矿石就成为了摩尔人民赖以生存的重要资源。经过数千年的开采与利用，铜矿石在摩尔王国的发展史上扮演了举足轻重的角色。 二、摩尔庄园铜矿石的价值 摩尔庄园铜矿石的价值主要体现在以下几个方面： 1. 经济价值：铜矿石是摩尔王国的主要经济支柱，其开采、加工和销售为摩尔王国带来了丰厚的经济收益。 2. 军事价值：铜矿石可以提炼出铜，而铜是制造武器和盔甲的重要原料。在摩尔王国的历史上，铜矿石对于军事力量的提升起到了至关重要的作用。 3. 科技价值：铜矿石的提炼可以生产出铜合金，用于制造各种精密仪器和设备。在摩尔王国的发展过程中，铜矿石的科技价值得到了充分的体现。 三、摩尔庄园铜矿石的探险之旅 要想探寻摩尔庄园铜矿石的宝藏，一场激动人心的探险之旅必不可少。以下是一些建议： 1. 了解背景知识：在踏上探险之旅前，首先要了解摩尔庄园的历史、地理和铜矿石的相关知识，为探险做好充分准备。 2. 选择合适的路线：摩尔庄园地形复杂，铜矿石分布广泛。根据个人兴趣和实际情况，选择一条合适的路线，确保探险之旅的顺利进行。 3. 带齐装备：探险过程中，可能会遇到各种困难和挑战。因此，要提前准备好必要的装备，如地图、指南针、帐篷、食物和水等。 4. 注意安全：在探险过程中，要时刻保持警惕，注意安全。遇到危险情况时，要冷静应对，及时寻求帮助。 5. 拍照留念：在探险过程中，可以记录下美丽的风景和难忘的瞬间。这些照片将成为你珍贵的回忆。 四、结语 摩尔庄园铜矿石的探险之旅，不仅是一次对历史的追溯，更是一次对自我挑战的历程。在这场探险中，你将领略到摩尔庄园的壮丽风光，感受到铜矿石的神奇魅力。让我们踏上这场奇幻之旅，共同探寻摩尔庄园铜矿石的宝藏吧！

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。