今日行业报告披露重大政策更新,“秋日丰收：探索丝瓜、樱桃、秋葵、榴莲与菠萝蜜的奇妙之旅”

今日行业协会传达最新政策,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。家电功能演示热线，专业展示使用技巧

广州市番禺区、运城市平陆县 ，赣州市会昌县、白沙黎族自治县元门乡、兰州市安宁区、莆田市城厢区、五指山市通什、嘉兴市秀洲区、滁州市天长市、广西来宾市金秀瑶族自治县、内蒙古赤峰市克什克腾旗、天水市甘谷县、广西百色市西林县、安康市汉滨区、绍兴市越城区、庆阳市西峰区、安庆市太湖县 、广西柳州市融水苗族自治县、玉树玉树市、驻马店市汝南县、楚雄永仁县、肇庆市高要区、吉林市磐石市、宁夏吴忠市同心县、上海市普陀区、内蒙古锡林郭勒盟锡林浩特市、汉中市佛坪县、广西钦州市钦南区、天津市滨海新区

本周数据平台最新研究机构传出新变化,今日相关部门披露最新研究成果,“秋日丰收：探索丝瓜、樱桃、秋葵、榴莲与菠萝蜜的奇妙之旅”，很高兴为您解答这个问题，让我来帮您详细说明一下：智能安装预约系统，自动分配技师

广西北海市合浦县、澄迈县金江镇 ，湘潭市韶山市、昆明市五华区、十堰市张湾区、汕尾市陆丰市、丽江市华坪县、阳泉市郊区、锦州市凌河区、陵水黎族自治县本号镇、定西市岷县、温州市平阳县、南通市海门区、上海市奉贤区、台州市仙居县、滨州市沾化区、黄石市西塞山区 、运城市永济市、南昌市湾里区、自贡市富顺县、泰安市泰山区、贵阳市开阳县、阿坝藏族羌族自治州金川县、澄迈县仁兴镇、曲靖市师宗县、大庆市让胡路区、金华市婺城区、广西钦州市灵山县、邵阳市北塔区、北京市西城区、漳州市华安县

全球服务区域: 菏泽市鄄城县、内蒙古阿拉善盟阿拉善右旗 、益阳市资阳区、黑河市五大连池市、东营市广饶县、合肥市包河区、宜昌市五峰土家族自治县、邵阳市双清区、临汾市曲沃县、潮州市潮安区、韶关市乐昌市、内蒙古锡林郭勒盟多伦县、昭通市大关县、台州市玉环市、雅安市汉源县、广西柳州市柳南区、锦州市凌河区 、内蒙古包头市土默特右旗、吉林市永吉县、资阳市安岳县、甘南碌曲县、信阳市浉河区

本周数据平台近期行业报告发布政策动向,今日行业协会披露新进展,“秋日丰收：探索丝瓜、樱桃、秋葵、榴莲与菠萝蜜的奇妙之旅”，很高兴为您解答这个问题，让我来帮您详细说明一下：专业维修服务热线，技术专家在线解答

全国服务区域: 湘西州凤凰县、屯昌县南吕镇 、东莞市大朗镇、临夏永靖县、衡阳市常宁市、新乡市牧野区、陇南市文县、儋州市白马井镇、永州市冷水滩区、聊城市东昌府区、台州市三门县、吉安市井冈山市、齐齐哈尔市泰来县、昭通市盐津县、东方市江边乡、嘉峪关市新城镇、辽源市龙山区 、内江市东兴区、泉州市金门县、广西来宾市武宣县、九江市共青城市、绥化市绥棱县、忻州市神池县、孝感市应城市、天津市宁河区、东莞市常平镇、沈阳市沈河区、临汾市乡宁县、陵水黎族自治县文罗镇、普洱市景东彝族自治县、嘉兴市海盐县、上饶市弋阳县、广安市武胜县、辽阳市弓长岭区、德宏傣族景颇族自治州陇川县、昌江黎族自治县王下乡、九江市濂溪区、渭南市华阴市、凉山会东县、运城市永济市、达州市开江县

本周数据平台今日官方渠道公布最新动态:昨日行业报告发布新研究成果,“秋日丰收：探索丝瓜、樱桃、秋葵、榴莲与菠萝蜜的奇妙之旅”

秋风送爽，硕果累累，正是收获的季节。在这个美好的时节里，我们不妨来一场味蕾的奇妙之旅，一同探索丝瓜、樱桃、秋葵、榴莲与菠萝蜜这五种美味佳果的独特魅力。 首先，让我们来认识一下丝瓜。丝瓜在我国有着悠久的栽培历史，其口感清脆，营养丰富，富含多种维生素和矿物质。在秋季，丝瓜的口感最为鲜美，不仅可以炒菜，还可以炖汤，为我们的餐桌增添一抹清新。 接下来，樱桃作为一种时令水果，以其鲜红诱人的色泽和酸甜可口的味道，深受人们喜爱。在秋季，樱桃虽已过季，但我们可以通过冷冻保鲜的方式，让樱桃的美味延续到冬季。樱桃富含铁、磷、钙等多种营养成分，具有很好的补血养颜作用。 秋葵，又称羊角豆，是一种营养价值极高的蔬菜。其肉质柔嫩，口感独特，含有丰富的蛋白质、维生素和矿物质。在秋季，秋葵的口感最为鲜美，无论是炒、煮还是凉拌，都是一道不可多得的美味佳肴。 榴莲，被誉为“果中之王”，其独特的气味和口感让人爱恨交加。在东南亚地区，榴莲被誉为“水果之王”，深受人们喜爱。榴莲富含多种营养成分，如蛋白质、脂肪、矿物质和维生素等，具有很高的营养价值。 菠萝蜜，又称木菠萝，是一种热带水果，其果实硕大，肉质细腻，味道甜美。在秋季，菠萝蜜的口感最为鲜美，不仅可以鲜食，还可以制作成各种美食，如菠萝蜜糖水、菠萝蜜糕点等。 最后，让我们来谈谈iOS。iOS是苹果公司开发的移动操作系统，以其流畅的性能和丰富的应用生态，赢得了全球用户的喜爱。在秋季，苹果公司也推出了新一代的iPhone，为用户带来了更加出色的体验。 总结来说，丝瓜、樱桃、秋葵、榴莲与菠萝蜜这五种美味佳果，不仅为我们的餐桌增添了丰富的色彩，还富含多种营养成分，对人体健康大有裨益。而iOS作为一款优秀的移动操作系统，也为我们的生活带来了便利。在这个丰收的季节里，让我们共同享受这美好的果实，感受科技带来的美好生活吧！

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。