今日研究机构披露重要行业研究成果,对女婿提出的那份期望：传统与现代的碰撞

今日官方传达行业研究成果,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。全国统一服务专线，标准化维修流程

南京市栖霞区、西安市临潼区 ，丹东市凤城市、晋中市昔阳县、汉中市佛坪县、定安县龙河镇、成都市锦江区、儋州市雅星镇、乐山市市中区、琼海市会山镇、中山市东升镇、佛山市禅城区、阜阳市颍东区、鹰潭市余江区、哈尔滨市方正县、酒泉市玉门市、阜新市清河门区 、牡丹江市爱民区、楚雄元谋县、南昌市南昌县、东莞市大朗镇、焦作市沁阳市、金华市东阳市、临汾市安泽县、杭州市江干区、九江市永修县、六盘水市钟山区、沈阳市铁西区、西宁市湟中区

本周数据平台最新研究机构传出新变化,本月官方披露行业研究进展,对女婿提出的那份期望：传统与现代的碰撞，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

东方市八所镇、文昌市抱罗镇 ，赣州市赣县区、芜湖市繁昌区、西安市新城区、晋城市沁水县、张掖市甘州区、黔南惠水县、长春市德惠市、昆明市禄劝彝族苗族自治县、武汉市汉阳区、济宁市微山县、东方市新龙镇、东莞市茶山镇、天水市麦积区、丽水市青田县、苏州市吴江区 、南充市西充县、漳州市南靖县、吉安市永新县、哈尔滨市呼兰区、厦门市集美区、甘孜九龙县、张家界市武陵源区、渭南市大荔县、清远市连山壮族瑶族自治县、无锡市江阴市、甘孜理塘县、枣庄市山亭区、白城市镇赉县、潮州市潮安区

全球服务区域: 宁夏银川市贺兰县、襄阳市襄城区 、铜仁市玉屏侗族自治县、西双版纳勐海县、九江市彭泽县、潍坊市昌乐县、新乡市新乡县、内蒙古巴彦淖尔市五原县、哈尔滨市道外区、武汉市东西湖区、黄山市黟县、济宁市嘉祥县、恩施州建始县、四平市铁西区、铜仁市德江县、宝鸡市陇县、葫芦岛市兴城市 、商丘市民权县、惠州市惠东县、娄底市娄星区、咸阳市三原县、白沙黎族自治县阜龙乡

近日监测部门公开,本月研究机构披露行业变化,对女婿提出的那份期望：传统与现代的碰撞，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

全国服务区域: 昭通市大关县、淄博市淄川区 、盐城市建湖县、温州市瓯海区、厦门市集美区、定安县龙湖镇、重庆市綦江区、驻马店市遂平县、中山市沙溪镇、六盘水市盘州市、泉州市丰泽区、延安市洛川县、昌江黎族自治县七叉镇、酒泉市肃州区、北京市平谷区、天津市红桥区、洛阳市西工区 、抚顺市顺城区、临夏和政县、咸阳市永寿县、临高县多文镇、西宁市城西区、内蒙古赤峰市克什克腾旗、文昌市昌洒镇、宿州市砀山县、青岛市崂山区、三门峡市渑池县、济南市市中区、重庆市江北区、咸宁市赤壁市、伊春市汤旺县、忻州市忻府区、内江市市中区、德州市宁津县、广安市华蓥市、本溪市本溪满族自治县、泰安市泰山区、上饶市余干县、抚州市南城县、安阳市滑县、宁夏银川市灵武市

刚刚监管中心披露最新规定:昨日官方发布最新研究成果,对女婿提出的那份期望：传统与现代的碰撞

自古以来，婚姻就是家庭间的重要纽带，而女婿作为家庭新成员，其角色和地位备受关注。在传统观念中，对女婿的期望往往被赋予了多重含义。然而，随着时代的变迁，传统与现代的碰撞愈发激烈，对女婿提出的那份期望，也悄然发生了变化。 一、传统观念中的期望 在传统观念中，对女婿的期望主要表现在以下几个方面： 1. 品德高尚：传统观念认为，女婿应当具备良好的品德，诚实守信，尊敬长辈，关爱妻儿。 2. 经济能力：在物质匮乏的年代，对女婿的经济能力要求较高，希望他能承担起家庭的经济重任。 3. 家务劳动：传统观念认为，女婿应当具备一定的家务劳动能力，分担家庭负担。 4. 子嗣延续：在“不孝有三，无后为大”的观念影响下，对女婿的子嗣延续能力也有一定要求。 二、现代观念中的期望 随着社会的发展，人们对女婿的期望逐渐呈现出以下特点： 1. 平等尊重：现代观念强调男女平等，对女婿的期望不再局限于物质条件，更注重人格上的尊重。 2. 爱心关怀：现代家庭更加注重情感交流，对女婿的期望是能够关爱妻子、孩子，营造温馨的家庭氛围。 3. 独立自主：现代观念鼓励女婿在事业上追求独立自主，发挥个人才华，实现自身价值。 4. 责任担当：尽管现代观念强调平等，但对女婿的责任担当依然有较高要求，希望他能够承担起家庭和社会责任。 三、传统与现代的碰撞 在传统与现代观念的碰撞中，对女婿提出的那份期望也面临着诸多挑战： 1. 品德与物质：传统观念强调品德，现代观念注重物质，如何平衡这两者，成为家庭教育的难题。 2. 家庭与事业：传统观念认为女婿应承担家庭经济重任，而现代观念鼓励女婿追求事业成功，如何平衡家庭与事业，成为夫妻双方共同面对的问题。 3. 亲子关系：传统观念强调子嗣延续，而现代观念关注子女的个性发展，如何处理亲子关系，成为家庭教育的焦点。 总之，对女婿提出的那份期望，在传统与现代的碰撞中不断演变。家庭和社会应尊重个体差异，关注女婿的成长，共同营造和谐的家庭氛围。在这个过程中，女婿既要继承传统美德，又要勇于创新，以适应时代的发展。只有这样，才能让家庭成为温馨的港湾，为社会和谐稳定贡献力量。

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。