今日官方通报行业变化,一边做饭一边躁狂怎么办？学会自我调节，保持平和心态

本月行业报告更新行业变化,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。全国标准化服务，统一技术操作规范

宣城市旌德县、延安市宜川县 ，太原市尖草坪区、淄博市张店区、上饶市婺源县、天津市滨海新区、鸡西市梨树区、重庆市开州区、大理剑川县、大兴安岭地区漠河市、洛阳市宜阳县、遵义市正安县、长治市潞城区、湖州市长兴县、甘南碌曲县、鞍山市岫岩满族自治县、萍乡市安源区 、广西南宁市上林县、文山砚山县、酒泉市敦煌市、合肥市包河区、黄冈市罗田县、上饶市广信区、南阳市西峡县、十堰市竹山县、南阳市内乡县、随州市广水市、凉山会理市、连云港市灌南县

本周数据平台近期相关部门公布权威通报,本月官方披露行业研究进展,一边做饭一边躁狂怎么办？学会自我调节，保持平和心态，很高兴为您解答这个问题，让我来帮您详细说明一下：家电维修在线客服，实时响应报修需求

南昌市青云谱区、长沙市长沙县 ，大兴安岭地区新林区、绵阳市游仙区、乐东黎族自治县佛罗镇、内江市东兴区、东莞市中堂镇、咸宁市嘉鱼县、铜川市耀州区、榆林市定边县、广安市华蓥市、云浮市郁南县、铜仁市印江县、内蒙古巴彦淖尔市乌拉特前旗、兰州市城关区、定安县雷鸣镇、潮州市潮安区 、内蒙古阿拉善盟阿拉善左旗、内蒙古呼伦贝尔市扎赉诺尔区、哈尔滨市方正县、广西河池市南丹县、滨州市阳信县、通化市集安市、铜仁市沿河土家族自治县、湘潭市雨湖区、眉山市仁寿县、新乡市延津县、海北海晏县、驻马店市西平县、岳阳市岳阳楼区、九江市武宁县

全球服务区域: 昭通市巧家县、杭州市萧山区 、陵水黎族自治县隆广镇、遂宁市射洪市、重庆市巴南区、宝鸡市眉县、淮南市田家庵区、温州市鹿城区、兰州市红古区、咸宁市嘉鱼县、鞍山市岫岩满族自治县、甘孜理塘县、盐城市东台市、玉溪市易门县、湘潭市韶山市、济宁市嘉祥县、凉山布拖县 、黑河市孙吴县、揭阳市榕城区、红河个旧市、咸宁市嘉鱼县、清远市连州市

专业维修服务电话,本月行业报告传递重大进展,一边做饭一边躁狂怎么办？学会自我调节，保持平和心态，很高兴为您解答这个问题，让我来帮您详细说明一下：全国标准化服务，统一技术操作规范

全国服务区域: 临沂市兰陵县、阜新市海州区 、安康市紫阳县、大同市浑源县、洛阳市栾川县、内蒙古通辽市库伦旗、重庆市荣昌区、吉林市永吉县、天津市静海区、西双版纳勐腊县、孝感市汉川市、合肥市包河区、汕尾市陆丰市、东方市天安乡、榆林市吴堡县、商丘市民权县、衡阳市耒阳市 、许昌市襄城县、双鸭山市饶河县、泉州市石狮市、张家界市武陵源区、文昌市潭牛镇、重庆市大渡口区、直辖县神农架林区、文昌市东郊镇、临高县调楼镇、忻州市岢岚县、三沙市西沙区、牡丹江市东安区、赣州市章贡区、成都市简阳市、九江市永修县、广安市邻水县、玉溪市江川区、六安市叶集区、南阳市桐柏县、西安市雁塔区、广西桂林市秀峰区、信阳市平桥区、周口市西华县、延边敦化市

近日监测部门传出异常警报:今日行业报告更新研究成果,一边做饭一边躁狂怎么办？学会自我调节，保持平和心态

在忙碌的生活中，做饭往往是我们放松身心、享受家庭温馨时光的好时机。然而，有时候我们可能会在做饭的过程中突然感到躁狂，这种情绪波动不仅会影响我们的烹饪质量，还可能对家庭氛围造成负面影响。那么，一边做饭一边躁狂怎么办？以下是一些帮助你自我调节、保持平和心态的方法。 ### 1. 识别情绪来源 首先，我们需要了解躁狂情绪产生的原因。可能是由于工作压力、家庭矛盾、生理因素等。明确情绪来源后，我们才能有针对性地进行调节。 ### 2. 调整烹饪环境 烹饪环境对我们的情绪有很大影响。以下是一些建议： - 保持厨房整洁：一个干净、有序的厨房有助于我们保持良好的心态。 - 调整音乐：柔和的音乐可以缓解情绪，帮助我们放松。 - 适当通风：保持厨房空气流通，有助于缓解躁狂情绪。 ### 3. 适当运动 在做饭的过程中，我们可以适当做一些简单的运动，如伸展、扭动腰部等，以缓解紧张情绪。 ### 4. 深呼吸 深呼吸是一种简单有效的放松方法。在躁狂情绪出现时，我们可以尝试以下步骤： - 吸气：用鼻子深吸气，感受腹部膨胀。 - 呼气：用嘴巴慢慢呼气，感受腹部收缩。 - 重复：进行几次深呼吸，直到情绪稳定。 ### 5. 分散注意力 将注意力转移到烹饪过程中，关注食材的搭配、火候的掌握等，有助于我们忘记躁狂情绪。 ### 6. 学会放手 在烹饪过程中，我们可能会对自己的作品过于挑剔，导致情绪波动。这时，要学会放手，接受自己的不完美。毕竟，烹饪是一种享受，而不是比赛。 ### 7. 寻求支持 当躁狂情绪难以自我调节时，可以向亲朋好友寻求帮助，或寻求专业心理咨询。 ### 8. 保持良好作息 保持良好的作息习惯，有助于我们保持情绪稳定。以下是一些建议： - 确保充足的睡眠：睡眠不足容易导致情绪波动。 - 合理安排饮食：均衡的饮食有助于维持情绪稳定。 - 适当运动：运动可以释放压力，改善情绪。 总之，一边做饭一边躁狂并不是什么大问题。通过以上方法，我们可以学会自我调节，保持平和心态，享受烹饪带来的乐趣。同时，关注自己的情绪变化，及时寻求帮助，让生活更加美好。

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。