本月监管部门发布行业新报告,一边做饭一边躁狂怎么办呢？视频教你有效应对

本月行业协会传达重大通报,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。家电维修专属热线，24小时在线待命

洛阳市栾川县、杭州市富阳区 ，茂名市信宜市、杭州市富阳区、泸州市纳溪区、盐城市大丰区、哈尔滨市延寿县、鹤岗市萝北县、四平市铁东区、南昌市进贤县、枣庄市峄城区、铜仁市江口县、广西北海市合浦县、周口市沈丘县、忻州市保德县、河源市紫金县、成都市邛崃市 、阜阳市界首市、内蒙古鄂尔多斯市康巴什区、驻马店市正阳县、南阳市卧龙区、重庆市忠县、齐齐哈尔市富拉尔基区、贵阳市白云区、保山市昌宁县、烟台市莱州市、琼海市塔洋镇、庆阳市正宁县、重庆市渝北区

快速响应维修热线,今日官方传递政策更新,一边做饭一边躁狂怎么办呢？视频教你有效应对，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

南京市江宁区、黄南泽库县 ，邵阳市新宁县、泰安市新泰市、琼海市石壁镇、凉山金阳县、威海市环翠区、黄冈市英山县、内蒙古乌兰察布市卓资县、亳州市谯城区、文昌市锦山镇、佳木斯市东风区、商丘市永城市、延边敦化市、九江市瑞昌市、西宁市城中区、白沙黎族自治县青松乡 、鹤岗市绥滨县、常州市新北区、屯昌县乌坡镇、牡丹江市林口县、铜仁市松桃苗族自治县、大兴安岭地区呼中区、哈尔滨市道外区、汉中市佛坪县、衡阳市石鼓区、清远市阳山县、新乡市卫辉市、池州市东至县、南阳市内乡县、广州市越秀区

全球服务区域: 阜新市细河区、十堰市郧西县 、庆阳市环县、常州市新北区、济南市长清区、宁夏固原市泾源县、平凉市崆峒区、延安市宜川县、成都市崇州市、玉溪市红塔区、湖州市南浔区、大连市甘井子区、红河蒙自市、毕节市纳雍县、永州市东安县、娄底市双峰县、昭通市绥江县 、毕节市黔西市、太原市古交市、临沂市兰陵县、忻州市神池县、安庆市大观区

统一售后服务专线，全国联网服务,今日行业报告传达重要政策,一边做饭一边躁狂怎么办呢？视频教你有效应对，很高兴为您解答这个问题，让我来帮您详细说明一下：全国统一售后服务热线，售后有保障

全国服务区域: 楚雄永仁县、海口市秀英区 、嘉兴市海宁市、保亭黎族苗族自治县保城镇、宁夏吴忠市青铜峡市、定安县翰林镇、萍乡市莲花县、新余市渝水区、揭阳市榕城区、毕节市黔西市、十堰市竹山县、咸宁市咸安区、安阳市龙安区、白城市大安市、烟台市牟平区、陵水黎族自治县椰林镇、酒泉市敦煌市 、杭州市富阳区、吉安市峡江县、黔南福泉市、本溪市本溪满族自治县、青岛市莱西市、河源市紫金县、黔东南天柱县、黄石市阳新县、湘潭市湘乡市、黄南泽库县、陇南市徽县、广西柳州市鱼峰区、湛江市遂溪县、南京市浦口区、吕梁市中阳县、临沂市莒南县、陵水黎族自治县三才镇、双鸭山市饶河县、海西蒙古族都兰县、肇庆市高要区、淄博市周村区、温州市泰顺县、内蒙古呼伦贝尔市扎赉诺尔区、大连市西岗区

刚刚信息中心公布关键数据:今日相关部门传达重大行业信息,一边做饭一边躁狂怎么办呢？视频教你有效应对

在快节奏的生活中，做饭成为了我们日常生活中不可或缺的一部分。然而，有时候在忙碌的厨房里，我们可能会突然感到躁狂，情绪波动，这无疑给我们的烹饪体验带来了困扰。那么，一边做饭一边躁狂怎么办呢？今天，我们就通过一段视频，为大家提供一些有效的应对策略。 首先，让我们来看看这段视频都为我们带来了哪些实用的建议。 ### 视频一：调整呼吸，放松心情 躁狂情绪的产生往往与紧张、焦虑等心理因素有关。因此，调整呼吸，放松心情是缓解躁狂情绪的有效方法。在视频中，专家建议我们在做饭时，可以尝试深呼吸，将注意力集中在呼吸上，从而缓解躁狂情绪。 ### 视频二：听音乐，调节情绪 音乐具有很好的调节情绪的作用。在做饭时，我们可以选择一些轻松愉快的音乐，让音乐帮助我们放松心情，缓解躁狂情绪。视频中推荐了一些适合做饭时听的音乐，如轻音乐、民谣等。 ### 视频三：变换烹饪方式，增加趣味性 做饭过程中，我们可以尝试变换烹饪方式，增加烹饪的趣味性。例如，可以尝试制作一些新菜品，或者将传统菜品进行创新。这样既能丰富我们的餐桌，又能让我们在烹饪过程中保持愉悦的心情。 ### 视频四：与家人互动，分享快乐 在做饭时，我们可以邀请家人一起参与，共同分享烹饪的乐趣。与家人互动，不仅可以缓解躁狂情绪，还能增进彼此的感情。视频中介绍了一些适合家人一起烹饪的活动，如亲子烹饪、家庭聚餐等。 ### 视频五：保持良好的作息，调整心态 长期躁狂情绪的产生可能与作息不规律、心态调整不当有关。因此，我们要保持良好的作息，调整心态，从而减少躁狂情绪的发生。视频中提醒我们，要保证充足的睡眠，合理安排作息时间，学会调整心态，以应对生活中的压力。 通过以上视频，我们可以了解到，一边做饭一边躁狂并不是无法解决的问题。只要我们学会调整呼吸、听音乐、变换烹饪方式、与家人互动以及保持良好的作息，就能有效地缓解躁狂情绪，让我们的烹饪生活更加美好。 总之，做饭是我们生活中不可或缺的一部分，保持良好的心态对于我们的烹饪体验至关重要。希望以上建议能帮助大家度过一边做饭一边躁狂的困扰，让我们的烹饪生活充满欢乐。

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。