今日行业协会披露新政策动向,云缨：探寻自然之美，远离低俗内容

昨日相关部门更新研究成果,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。全国统一安装标准，规范操作流程

宜昌市夷陵区、徐州市邳州市 ，烟台市栖霞市、广西贵港市覃塘区、重庆市綦江区、安康市石泉县、三门峡市陕州区、中山市古镇镇、朝阳市凌源市、儋州市峨蔓镇、岳阳市汨罗市、大兴安岭地区漠河市、自贡市富顺县、焦作市温县、广西柳州市鱼峰区、太原市迎泽区、洛阳市偃师区 、忻州市保德县、汉中市佛坪县、嘉峪关市新城镇、直辖县潜江市、遂宁市蓬溪县、兰州市安宁区、徐州市邳州市、乐东黎族自治县黄流镇、大连市瓦房店市、广西百色市西林县、广州市黄埔区、信阳市平桥区

可视化故障排除专线,今日行业报告传递新研究成果,云缨：探寻自然之美，远离低俗内容，很高兴为您解答这个问题，让我来帮您详细说明一下：数字化服务派单，精准对接维修需求

新余市分宜县、吉林市蛟河市 ，广西梧州市岑溪市、潍坊市寿光市、宿州市泗县、陇南市礼县、丽江市玉龙纳西族自治县、景德镇市昌江区、无锡市惠山区、榆林市吴堡县、锦州市太和区、珠海市香洲区、杭州市江干区、红河石屏县、东方市东河镇、曲靖市沾益区、黄冈市黄州区 、营口市老边区、铜仁市沿河土家族自治县、大理剑川县、咸阳市旬邑县、广州市越秀区、临沧市临翔区、四平市铁东区、白城市镇赉县、澄迈县老城镇、儋州市海头镇、汕尾市陆河县、白城市通榆县、中山市三乡镇、宜春市宜丰县

全球服务区域: 黄山市黄山区、广西来宾市象州县 、渭南市澄城县、安顺市平坝区、广州市番禺区、大庆市萨尔图区、延安市富县、内蒙古兴安盟科尔沁右翼前旗、凉山会理市、三明市三元区、昌江黎族自治县乌烈镇、果洛久治县、襄阳市保康县、台州市温岭市、开封市尉氏县、周口市太康县、天津市静海区 、内蒙古巴彦淖尔市乌拉特后旗、凉山金阳县、宣城市绩溪县、武汉市洪山区、白山市长白朝鲜族自治县

近日监测部门公开最新参数,本周行业协会公开重要研究成果,云缨：探寻自然之美，远离低俗内容，很高兴为您解答这个问题，让我来帮您详细说明一下：家电客服热线，系统自动分配订单

全国服务区域: 内蒙古鄂尔多斯市杭锦旗、汕头市龙湖区 、双鸭山市四方台区、广西柳州市柳北区、三亚市吉阳区、东方市八所镇、德阳市旌阳区、惠州市惠城区、贵阳市云岩区、广西梧州市岑溪市、成都市金牛区、丹东市东港市、洛阳市西工区、金昌市金川区、无锡市惠山区、阿坝藏族羌族自治州松潘县、温州市瑞安市 、南京市溧水区、丹东市宽甸满族自治县、扬州市邗江区、南平市建瓯市、广西钦州市钦北区、昆明市禄劝彝族苗族自治县、重庆市南川区、安阳市林州市、宜昌市猇亭区、南阳市南召县、荆门市沙洋县、昆明市西山区、庆阳市合水县、锦州市古塔区、延安市富县、九江市武宁县、陇南市成县、德州市禹城市、潮州市潮安区、常德市津市市、昭通市绥江县、温州市永嘉县、烟台市芝罘区、文昌市潭牛镇

专业维修服务电话:本月行业协会传达重要信息,云缨：探寻自然之美，远离低俗内容

在快节奏的现代生活中，我们常常被各种信息所包围，其中不乏一些低俗、不健康的内容。而在这其中，云缨以其独特的魅力，引领着人们远离低俗，追求自然之美。今天，我们就来谈谈云缨，以及如何去掉所有小内流口水图片，还网络一片清新。 云缨，这个名字听起来就充满了诗意。它源自于我国丰富的自然资源，寓意着自然之美。在云缨的世界里，我们能看到蓝天白云、青山绿水，感受到大自然的神奇魅力。与此同时，云缨还倡导一种健康、积极的生活态度，让人们远离低俗、庸俗的内容。 那么，如何去掉所有小内流口水图片，还网络一片清新呢？以下是一些建议： 1. 自我提升：提高自己的审美水平，学会欣赏美好的事物。当我们具备了一定的审美能力，就能自觉抵制低俗、庸俗的内容。 2. 选择优质平台：在浏览网络信息时，尽量选择那些注重内容质量、具有良好口碑的平台。这些平台通常会过滤掉低俗、不健康的内容，为我们提供一个清新的网络环境。 3. 关注正能量：多关注那些传递正能量、弘扬真善美的内容。这些内容能让我们在忙碌的生活中找到慰藉，激发我们追求美好生活的动力。 4. 培养良好习惯：在日常生活中，我们要养成良好的习惯，如不随意转发、评论低俗内容，不参与网络暴力等。这样，我们就能从源头上减少低俗内容的传播。 5. 报告不良信息：当我们发现低俗、不健康的内容时，要及时向相关部门举报。这样，既能保护自己，也能为净化网络环境贡献一份力量。 云缨作为一个倡导自然之美、健康生活的品牌，始终致力于为人们提供一片清新的网络空间。它通过举办各类活动，如摄影比赛、户外徒步等，引导人们关注自然、热爱生活。同时，云缨还与各大媒体合作，共同打击低俗、不健康的内容，为网络环境的净化贡献力量。 总之，去掉所有小内流口水图片，还网络一片清新，需要我们共同努力。让我们从自身做起，提高自己的审美水平，关注正能量，培养良好习惯，共同营造一个健康、美好的网络环境。正如云缨所倡导的，让我们在追求自然之美的道路上，携手前行。

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。