今日行业协会披露行业新成果,探索网络世界的奥秘：60个网上s命令m做的神奇事情

今日官方披露研究成果,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。家电维修电话，支持在线咨询报修

昭通市绥江县、渭南市华阴市 ，漯河市源汇区、株洲市茶陵县、宝鸡市太白县、信阳市息县、哈尔滨市尚志市、晋中市左权县、汉中市洋县、资阳市乐至县、衢州市柯城区、上海市徐汇区、三明市大田县、荆门市沙洋县、广州市从化区、盐城市阜宁县、中山市大涌镇 、苏州市相城区、漯河市郾城区、武汉市洪山区、昭通市鲁甸县、上饶市弋阳县、温州市瑞安市、乐东黎族自治县大安镇、定西市漳县、内蒙古鄂尔多斯市康巴什区、儋州市光村镇、周口市项城市、遂宁市船山区

本周数据平台最新官方渠道传来研究成果,今日研究机构传递重大研究成果,探索网络世界的奥秘：60个网上s命令m做的神奇事情，很高兴为您解答这个问题，让我来帮您详细说明一下：自动化服务跟踪，智能优化用户体验

泰安市东平县、乐山市沙湾区 ，商洛市山阳县、泰安市肥城市、东方市东河镇、佛山市高明区、昌江黎族自治县石碌镇、咸阳市三原县、广西南宁市良庆区、天津市河北区、宁德市周宁县、南京市秦淮区、大理云龙县、肇庆市广宁县、绍兴市柯桥区、广西南宁市横州市、广西钦州市灵山县 、重庆市巫山县、内蒙古兴安盟扎赉特旗、黄冈市浠水县、凉山越西县、揭阳市揭东区、安康市白河县、济宁市微山县、重庆市北碚区、广西贵港市港南区、重庆市巴南区、宁波市江北区、池州市青阳县、温州市永嘉县、新乡市卫滨区

全球服务区域: 临汾市大宁县、东方市新龙镇 、北京市通州区、上海市徐汇区、广西百色市那坡县、内蒙古通辽市库伦旗、内蒙古兴安盟科尔沁右翼前旗、湘西州保靖县、龙岩市漳平市、杭州市西湖区、广西贺州市八步区、南通市海门区、贵阳市息烽县、常德市汉寿县、大理弥渡县、萍乡市莲花县、大庆市大同区 、汉中市南郑区、昭通市绥江县、甘南临潭县、文昌市重兴镇、泰州市高港区

本周数据平台今日官方渠道公布最新动态,本周官方更新行业通报,探索网络世界的奥秘：60个网上s命令m做的神奇事情，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

全国服务区域: 芜湖市镜湖区、黄石市铁山区 、武汉市洪山区、大兴安岭地区加格达奇区、商丘市永城市、黔西南兴仁市、铜川市王益区、自贡市荣县、天津市河西区、佳木斯市富锦市、汉中市汉台区、广西桂林市秀峰区、洛阳市老城区、安阳市林州市、南充市南部县、成都市双流区、九江市永修县 、广元市旺苍县、滁州市琅琊区、珠海市斗门区、内蒙古兴安盟乌兰浩特市、黔东南黄平县、恩施州咸丰县、营口市盖州市、东方市大田镇、文昌市文城镇、重庆市大渡口区、郑州市新郑市、宁波市镇海区、鞍山市铁东区、宣城市泾县、广西南宁市兴宁区、马鞍山市和县、定安县龙湖镇、内蒙古赤峰市克什克腾旗、抚州市乐安县、福州市马尾区、淄博市沂源县、洛阳市新安县、甘孜色达县、宝鸡市凤县

统一维修资源中心:今日研究机构传递研究成果,探索网络世界的奥秘：60个网上s命令m做的神奇事情

在浩瀚的网络世界中，我们每天都能遇到各种奇妙的事物。今天，就让我们一起揭开神秘的面纱，探索那些由s命令m引发的60个网上神奇事件。 1. **在线翻译**：只需输入s翻译m，就能轻松实现多种语言的实时翻译。 2. **天气预报**：通过s天气m，我们可以随时了解全球各地的天气状况。 3. **音乐播放**：只需输入s音乐m，海量歌曲任你挑选。 4. **电影推荐**：通过s电影m，为你推荐最适合你的电影。 5. **美食分享**：在s美食m社区，分享你的美食心得，结交志同道合的朋友。 6. **旅行攻略**：在s旅行m，获取全球各地的旅行攻略，让你的旅程更加精彩。 7. **健康养生**：通过s养生m，了解各种健康养生知识，呵护你的身体健康。 8. **宠物交流**：在s宠物m，结识爱宠人士，分享养宠心得。 9. **游戏攻略**：在s游戏m，获取最新游戏资讯和攻略，成为游戏达人。 10. **摄影技巧**：在s摄影m，学习摄影技巧，记录生活中的美好瞬间。 11. **读书分享**：在s读书m，分享你的读书心得，结识志同道合的读书人。 12. **旅行日记**：在s旅行m，记录你的旅行日记，分享你的旅行故事。 13. **美食制作**：在s美食m，学习各种美食制作方法，成为烹饪高手。 14. **手工DIY**：在s手工m，学习各种手工DIY技巧，打造个性生活。 15. **家居装修**：在s家居m，获取家居装修灵感，打造温馨家园。 16. **宠物训练**：在s宠物m，学习宠物训练方法，让你的宠物更听话。 17. **健身教程**：在s健身m，获取健身教程，塑造完美身材。 18. **绘画教程**：在s绘画m，学习绘画技巧，成为绘画达人。 19. **音乐创作**：在s音乐m，分享你的音乐作品，结识音乐伙伴。 20. **摄影比赛**：在s摄影m，参加摄影比赛，展示你的摄影才华。 21. **读书会**：在s读书m，组织读书会，与书友交流心得。 22. **旅行分享会**：在s旅行m，分享你的旅行故事，结识旅行伙伴。 23. **美食制作大赛**：在s美食m，参加美食制作大赛，展示你的厨艺。 24. **手工DIY大赛**：在s手工m，参加手工DIY大赛，展示你的创意。 25. **家居装修大赛**：在s家居m，参加家居装修大赛，打造梦想家园。 26. **宠物训练大赛**：在s宠物m，参加宠物训练大赛，展示你的训练技巧。 27. **健身大赛**：在s健身m，参加健身大赛，展示你的健身成果。 28. **绘画大赛**：在s绘画m，参加绘画大赛，展示你的绘画才华。 29. **音乐创作大赛**：在s音乐m，参加音乐创作大赛，展示你的音乐才华。 30. **摄影大赛**：在s摄影m，参加摄影大赛，展示你的摄影作品。 31. **读书心得分享**：在s读书m，分享你的读书心得，与书友交流。 32. **旅行心得分享**：在s旅行m，分享你的旅行心得，与旅行伙伴交流。 33. **美食心得分享**：在s美食m，分享你的美食心得，与美食爱好者交流。 34. **手工心得分享**：在s手工m，分享你的手工心得，与手工爱好者交流。 35. **家居心得分享**：在s家居m，分享你的家居心得，与家居爱好者交流。 36. **宠物心得分享**：在s宠物m，分享你的宠物心得，与宠物爱好者交流。 37. **健身心得分享**：在s健身m，分享你的健身心得，与健身爱好者交流。 38. **绘画心得分享**：在s绘画m，分享你的绘画心得，与绘画爱好者交流。 39. **音乐心得分享**：在s音乐m，分享你的音乐心得，与音乐爱好者交流。 40. **摄影心得分享**：在s摄影m，分享你的摄影心得，与摄影爱好者交流。 41. **读书心得交流**：在s读书m，与书友交流读书心得，拓展知识面。 42. **旅行心得交流**：在s旅行m，与旅行伙伴交流旅行心得，丰富人生阅历。 43. **美食心得交流**：在s美食m，与美食爱好者交流心得，品尝更多美食。 44. **手工心得交流**：在s手工m，与手工爱好者交流心得，提升手工技能。 45. **家居心得交流**：在s家居m，与家居爱好者交流心得，打造理想家园。 46. **宠物心得交流**：在s宠物m，与宠物爱好者交流心得，关爱宠物成长。 47. **健身心得交流**：在s健身m，与健身爱好者交流心得，共同追求健康。 48. **绘画心得交流**：在s绘画m，与绘画爱好者交流心得，提升绘画水平。 49. **音乐心得交流**：在s音乐m，与音乐爱好者交流心得，感受音乐魅力。 50. **摄影心得交流**：在s摄影m，与摄影爱好者交流心得，提高摄影技巧。 51. **读书会讨论**：在s读书m，组织读书会讨论，深入探讨书籍内容。 52. **旅行分享会讨论**：在s旅行m，组织旅行分享会讨论，分享旅行经验。 53. **美食制作大赛讨论**：在s美食m，组织美食制作大赛讨论，交流烹饪技巧。 54. **手工DIY大赛讨论**：在s手工m，组织手工DIY大赛讨论，分享创意想法。 55. **家居装修大赛讨论**：在s家居m，组织家居装修大赛讨论，分享装修心得。 56. **宠物训练大赛讨论**：在s宠物m，组织宠物训练大赛讨论，交流训练技巧。 57. **健身大赛讨论**：在s健身m，组织健身大赛讨论，分享健身经验。 58. **绘画大赛讨论**：在s绘画m，组织绘画大赛讨论，提升绘画水平。 59. **音乐创作大赛讨论**：在s音乐m，组织音乐创作大赛讨论，交流音乐创作技巧。 60. **摄影大赛讨论**：在s摄影m，组织摄影大赛讨论，提高摄影技巧。 网络世界的神奇之处，就在于它能够将来自世界各地的人们聚集在一起，共同分享、交流、学习。让我们携手探索这个充满无限可能的网络世界，一起见证那些由s命令m引发的60个网上神奇事件吧！

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。