本月行业协会披露重要信息,初尝DOI滋味：我的第一次DOI体验

今日行业协会传递重大报告,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。家电操作教学专线，新手快速上手

沈阳市大东区、德宏傣族景颇族自治州芒市 ，吉林市龙潭区、南阳市方城县、黄山市黟县、宁波市镇海区、潮州市湘桥区、临汾市侯马市、宁夏固原市隆德县、海西蒙古族德令哈市、长春市绿园区、宣城市旌德县、凉山冕宁县、伊春市丰林县、杭州市上城区、威海市环翠区、张掖市山丹县 、东营市东营区、铜仁市江口县、汕头市龙湖区、驻马店市泌阳县、绵阳市江油市、南通市崇川区、新乡市卫滨区、梅州市平远县、广安市邻水县、内蒙古兴安盟扎赉特旗、三门峡市义马市、南阳市卧龙区

刚刚专家组披露重要结论,本月相关部门发布新政策,初尝DOI滋味：我的第一次DOI体验，很高兴为您解答这个问题，让我来帮您详细说明一下：数字化维保平台，智能优化保养方案

潍坊市昌乐县、牡丹江市爱民区 ，五指山市番阳、汉中市汉台区、广西柳州市融安县、厦门市翔安区、南阳市方城县、酒泉市瓜州县、黔西南望谟县、西安市蓝田县、儋州市光村镇、三明市泰宁县、营口市大石桥市、吉安市永丰县、亳州市蒙城县、金华市婺城区、内蒙古赤峰市克什克腾旗 、乐山市金口河区、常德市石门县、广西防城港市东兴市、北京市平谷区、广西百色市田林县、铜仁市印江县、宁波市鄞州区、长治市沁县、漳州市漳浦县、大庆市红岗区、驻马店市平舆县、延边安图县、肇庆市怀集县、苏州市虎丘区

全球服务区域: 酒泉市金塔县、定安县龙湖镇 、临沂市蒙阴县、内蒙古鄂尔多斯市伊金霍洛旗、泉州市安溪县、衡阳市衡南县、上饶市余干县、陵水黎族自治县隆广镇、玉树玉树市、成都市崇州市、漳州市龙海区、盘锦市大洼区、昭通市盐津县、吉安市遂川县、内蒙古锡林郭勒盟多伦县、楚雄永仁县、烟台市莱阳市 、咸阳市兴平市、烟台市莱州市、乐山市市中区、广西百色市德保县、肇庆市广宁县

作为国家高新技术企业认证平台,本周监管部门传达重磅消息,初尝DOI滋味：我的第一次DOI体验，很高兴为您解答这个问题，让我来帮您详细说明一下：智能投诉管理系统，自动分类处理

全国服务区域: 肇庆市封开县、洛阳市宜阳县 、广西河池市大化瑶族自治县、株洲市石峰区、云浮市云城区、永州市宁远县、内蒙古锡林郭勒盟锡林浩特市、常州市金坛区、绍兴市柯桥区、黄石市大冶市、雅安市汉源县、安庆市宜秀区、商丘市虞城县、吉安市万安县、成都市大邑县、三明市永安市、丹东市振安区 、内蒙古鄂尔多斯市鄂托克旗、凉山雷波县、西双版纳勐腊县、开封市龙亭区、铜川市王益区、长治市潞州区、六安市金寨县、凉山德昌县、大同市广灵县、烟台市莱州市、吕梁市中阳县、本溪市本溪满族自治县、保山市昌宁县、宝鸡市千阳县、琼海市中原镇、三明市永安市、丽江市永胜县、聊城市茌平区、南平市政和县、枣庄市台儿庄区、葫芦岛市兴城市、贵阳市花溪区、温州市瓯海区、烟台市龙口市

刚刚科研委员会公布突破成果:本月官方发布行业研究成果,初尝DOI滋味：我的第一次DOI体验

DOI，即数字对象唯一标识符（Digital Object Identifier），是一种用于唯一标识电子文献的数字标识符。在学术领域，DOI的应用越来越广泛，它为文献的检索、引用和传播提供了极大的便利。而我，作为一名科研工作者，也在最近有了我的第一次DOI体验。以下是我在这个过程中的详细感受。 第一次接触到DOI是在一次学术会议上。当时，一位资深学者在介绍他的研究成果时，提到了DOI的概念。他解释说，DOI可以确保每一篇论文在互联网上都有一个唯一的身份，方便人们检索和引用。听完他的介绍，我对DOI产生了浓厚的兴趣。 不久后，我开始了自己的研究工作。在撰写论文的过程中，我了解到DOI的重要性。为了使我的研究成果能够被更多人了解和引用，我决定为自己的论文申请一个DOI。 申请DOI的过程并不复杂。首先，我需要选择一个DOI注册机构。经过一番比较，我选择了CrossRef，这是一个全球知名的DOI注册机构。在CrossRef的官方网站上，我注册了一个账号，并按照提示填写了论文的相关信息，包括论文标题、作者、关键词等。 提交申请后，我等待了几天，收到了CrossRef的审核结果。幸运的是，我的论文顺利通过了审核，获得了DOI。当我看到那个独一无二的数字标识符时，内心充满了喜悦。我知道，从这一刻起，我的论文在互联网上有了自己的身份。 在论文发表后，我开始尝试使用DOI。我发现，DOI确实为我的研究带来了很多便利。首先，当我需要引用他人的研究成果时，只需在文献中标注DOI，读者就可以轻松找到该文献。这大大提高了文献检索的效率。 其次，DOI也为我的论文带来了更多的曝光机会。在学术搜索引擎中，带有DOI的论文更容易被检索到。这使我感到非常欣慰，因为我的研究成果能够被更多人看到。 然而，DOI的应用也让我遇到了一些挑战。例如，在撰写论文时，我需要确保所有引用的文献都有DOI。这需要我在查阅文献时，格外注意文献的出版信息。此外，DOI的申请和注册也需要一定的费用，这对于一些经费有限的科研工作者来说，可能是一个负担。 尽管如此，我认为DOI的应用仍然具有很大的价值。它不仅提高了学术文献的检索和引用效率，也为学术交流提供了便利。作为一名科研工作者，我将继续关注DOI的发展，并尝试将其应用到我的研究中。 回顾我的第一次DOI体验，我深感其带来的便利和挑战。DOI的应用让我更加坚信，科技的发展为学术研究带来了无限可能。在未来的科研道路上，我将继续探索DOI的应用，为学术交流贡献自己的力量。

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。