今日监管部门披露行业新变化,班级的公共玩具：小诗中的温馨阅读时光

本周官方更新行业通报,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。以旧换新服务中心，全流程指导

重庆市渝北区、乐山市沙湾区 ，金华市义乌市、赣州市章贡区、广州市从化区、陵水黎族自治县椰林镇、株洲市茶陵县、信阳市平桥区、绥化市安达市、淄博市周村区、屯昌县新兴镇、荆州市洪湖市、云浮市罗定市、西安市长安区、佳木斯市桦川县、潮州市饶平县、内蒙古通辽市库伦旗 、广西南宁市横州市、衡阳市祁东县、内蒙古乌兰察布市集宁区、忻州市五寨县、南阳市内乡县、宜宾市江安县、临汾市霍州市、潮州市潮安区、深圳市光明区、昆明市宜良县、西安市周至县、苏州市昆山市

近日评估小组公开关键数据,本月行业报告传递新变化,班级的公共玩具：小诗中的温馨阅读时光，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

陵水黎族自治县三才镇、遂宁市射洪市 ，屯昌县坡心镇、咸阳市彬州市、丽水市景宁畲族自治县、咸宁市嘉鱼县、张家界市慈利县、平凉市泾川县、海南贵南县、重庆市奉节县、吕梁市柳林县、岳阳市云溪区、怀化市新晃侗族自治县、龙岩市长汀县、肇庆市德庆县、南昌市南昌县、铜仁市印江县 、眉山市洪雅县、濮阳市范县、北京市朝阳区、澄迈县仁兴镇、常州市溧阳市、汉中市留坝县、黄冈市英山县、广西南宁市横州市、三门峡市卢氏县、榆林市吴堡县、临高县南宝镇、广西柳州市鹿寨县、甘南夏河县、白银市平川区

全球服务区域: 吉林市船营区、龙岩市长汀县 、金华市金东区、黄山市屯溪区、宣城市宁国市、楚雄永仁县、三门峡市湖滨区、昭通市鲁甸县、重庆市沙坪坝区、儋州市中和镇、直辖县天门市、黔南瓮安县、漳州市芗城区、汕头市澄海区、孝感市孝南区、乐东黎族自治县佛罗镇、海口市秀英区 、南充市仪陇县、广西百色市凌云县、晋中市左权县、贵阳市花溪区、福州市台江区

本周数据平台今日数据平台透露最新消息,本月官方披露行业最新报告,班级的公共玩具：小诗中的温馨阅读时光，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

全国服务区域: 驻马店市泌阳县、白城市通榆县 、广安市岳池县、三门峡市渑池县、青岛市平度市、大庆市大同区、红河元阳县、韶关市南雄市、周口市扶沟县、长春市九台区、东莞市东城街道、泸州市泸县、广西南宁市青秀区、内蒙古巴彦淖尔市杭锦后旗、玉溪市峨山彝族自治县、丽水市青田县、马鞍山市雨山区 、宣城市旌德县、合肥市巢湖市、定安县新竹镇、泸州市江阳区、安顺市平坝区、内蒙古巴彦淖尔市乌拉特后旗、宁夏石嘴山市平罗县、淮安市淮阴区、温州市龙港市、泰州市兴化市、昆明市官渡区、三亚市海棠区、中山市小榄镇、驻马店市遂平县、吉安市万安县、连云港市连云区、南平市建阳区、榆林市府谷县、龙岩市连城县、上海市松江区、马鞍山市和县、双鸭山市岭东区、六盘水市钟山区、益阳市赫山区

本周数据平台今日官方渠道公布最新动态:本月研究机构披露行业变化,班级的公共玩具：小诗中的温馨阅读时光

在阳光明媚的午后，教室里的同学们围坐在一起，手中捧着那本泛着油墨香的小诗集，脸上洋溢着期待与兴奋。这本诗集，记录了班级里那些共同拥有的公共玩具，它们不仅是孩子们童年的玩伴，更是他们心中最美好的回忆。 小诗集的第一页，是一首关于滑梯的诗。诗中写道：“滑梯高又长，孩子们欢笑忙。阳光洒下来，快乐满心房。”每当放学后，孩子们便迫不及待地奔向滑梯，你追我赶，欢声笑语回荡在校园的每一个角落。滑梯，成为了他们童年最美好的记忆之一。 紧接着，是一首关于沙坑的诗。诗中描绘了孩子们在沙坑里玩耍的场景：“沙坑里笑声，童趣无限好。手捧细沙粒，建造城堡高。”在沙坑里，孩子们用双手堆砌起一座座城堡，用想象编织出一个又一个美好的故事。沙坑，成为了他们创造力的源泉。 小诗集里，还有一首关于秋千的诗。诗中这样写道：“秋千悠悠摆，笑声随风飘。荡漾在蓝天，快乐永相随。”秋千，是孩子们在校园里最爱的玩具之一。每当秋千摆动起来，孩子们便忘却了烦恼，尽情享受着那份无忧无虑的快乐。 除了这些，小诗集里还有许多关于公共玩具的诗，如跷跷板、跳绳、篮球架等。每一首诗都充满了对童年时光的怀念，对那些陪伴我们成长的玩具的感激。 阅读这些小诗，仿佛让我们回到了那个纯真的年代。那些简单的玩具，成为了我们童年最珍贵的回忆。它们陪伴着我们度过了无数欢乐的时光，让我们在游戏中学会了团结、友爱、勇敢和坚持。 在这个信息爆炸的时代，孩子们似乎更容易接触到各种高科技玩具。然而，这些公共玩具却依然在孩子们的心中占据着重要的位置。它们不仅让孩子们在游戏中锻炼身体，更在潜移默化中培养了他们的团队协作能力和社交能力。 班级的公共玩具，是小诗中的温馨阅读时光。在这个时光里，我们共同回忆那些美好的童年，感受那份纯真的快乐。让我们珍惜这份美好的回忆，将这份快乐传递给更多的孩子。 在这个温馨的阅读时光里，我们不仅读到了诗，更读到了友谊、团结和成长。让我们携手共进，用爱心和关爱，为孩子们创造一个更加美好的童年。让这些公共玩具，成为孩子们心中永恒的回忆。

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。