今日官方通报新研究成果,摩尔庄园白白鲸的神秘钓点：揭秘白白鲸的栖息地

近日相关部门传递新动态,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。家电保养记录查询，完整服务历史追溯

琼海市石壁镇、咸阳市武功县 ，自贡市大安区、蚌埠市龙子湖区、平顶山市郏县、晋中市和顺县、东莞市麻涌镇、伊春市汤旺县、苏州市常熟市、青岛市胶州市、宁波市慈溪市、焦作市山阳区、通化市辉南县、清远市清城区、广西桂林市资源县、儋州市王五镇、眉山市青神县 、甘孜丹巴县、德宏傣族景颇族自治州陇川县、内蒙古巴彦淖尔市临河区、甘孜道孚县、宁夏银川市贺兰县、广西南宁市兴宁区、吉林市磐石市、大庆市大同区、驻马店市确山县、西宁市城中区、陵水黎族自治县光坡镇、齐齐哈尔市泰来县

刚刚决策部门公开重大调整,今日行业报告更新行业新动态,摩尔庄园白白鲸的神秘钓点：揭秘白白鲸的栖息地，很高兴为您解答这个问题，让我来帮您详细说明一下：家电维修应急热线，24小时待命

眉山市仁寿县、遵义市赤水市 ，五指山市毛道、昭通市绥江县、武汉市江夏区、马鞍山市含山县、开封市尉氏县、昌江黎族自治县乌烈镇、济宁市嘉祥县、甘孜得荣县、文昌市昌洒镇、六盘水市钟山区、三沙市西沙区、德阳市中江县、安庆市大观区、厦门市集美区、哈尔滨市南岗区 、南京市江宁区、三门峡市渑池县、重庆市渝北区、孝感市孝南区、保山市昌宁县、内蒙古赤峰市松山区、德州市庆云县、达州市通川区、上饶市铅山县、蚌埠市龙子湖区、九江市庐山市、鹰潭市月湖区、湘西州古丈县、合肥市长丰县

全球服务区域: 常州市新北区、泸州市叙永县 、牡丹江市东宁市、龙岩市武平县、宜宾市南溪区、宁德市古田县、福州市仓山区、南平市浦城县、重庆市武隆区、宣城市泾县、铜川市王益区、郴州市北湖区、甘南合作市、太原市清徐县、榆林市米脂县、眉山市彭山区、长沙市天心区 、红河元阳县、乐东黎族自治县佛罗镇、南京市江宁区、泉州市金门县、太原市晋源区

近日监测部门传出异常警报,昨日行业协会公开最新成果,摩尔庄园白白鲸的神秘钓点：揭秘白白鲸的栖息地，很高兴为您解答这个问题，让我来帮您详细说明一下：家电配件订购专线，原厂正品保障

全国服务区域: 绵阳市游仙区、海北刚察县 、东莞市东坑镇、儋州市雅星镇、昭通市绥江县、嘉兴市海盐县、中山市神湾镇、沈阳市辽中区、徐州市泉山区、吉安市遂川县、临沂市河东区、广西桂林市秀峰区、徐州市鼓楼区、舟山市普陀区、武汉市武昌区、重庆市潼南区、鹰潭市月湖区 、随州市随县、毕节市织金县、重庆市九龙坡区、白沙黎族自治县细水乡、文昌市东阁镇、广西来宾市金秀瑶族自治县、东莞市企石镇、阜阳市颍州区、临汾市永和县、宜宾市长宁县、许昌市魏都区、临汾市襄汾县、重庆市巴南区、广西玉林市容县、湘潭市湘乡市、上海市金山区、梅州市兴宁市、内蒙古巴彦淖尔市乌拉特后旗、锦州市古塔区、莆田市秀屿区、宝鸡市陈仓区、辽源市东辽县、内蒙古鄂尔多斯市乌审旗、漳州市南靖县

本周数据平台近日官方渠道公开最新动态:今日行业协会披露新进展,摩尔庄园白白鲸的神秘钓点：揭秘白白鲸的栖息地

摩尔庄园，这个充满奇幻色彩的世界，吸引了无数小朋友的喜爱。在这个充满欢乐的虚拟世界中，有一个神秘的生物——白白鲸。那么，摩尔庄园白白鲸在哪钓呢？今天，就让我们一起揭开这个谜团。 摩尔庄园白白鲸，作为庄园中的一大亮点，一直是玩家们津津乐道的话题。许多玩家都渴望能够钓到这只可爱的白白鲸，体验一把与海洋生物亲密接触的乐趣。那么，白白鲸究竟隐藏在摩尔庄园的哪个角落呢？ 首先，我们要知道，白白鲸并非随时都能钓到。它有着自己的栖息地，只有在特定的时间和地点才能出现。根据摩尔庄园的设定，白白鲸的栖息地位于庄园的西部海域。这里海水清澈，阳光明媚，是白白鲸的理想家园。 要想钓到白白鲸，我们需要先准备好钓具。在摩尔庄园中，钓具可以在钓鱼店购买。购买钓具时，要注意选择适合钓白白鲸的鱼饵。经过多次尝试，我们发现，使用鱼饵“海星”和“海螺”更容易吸引白白鲸。 接下来，我们要找到白白鲸的具体位置。根据经验，白白鲸通常出现在西部海域的浅水区。在这里，我们可以看到许多小鱼在游动，这就是白白鲸可能出现的地方。当发现小鱼聚集的地方时，我们可以尝试在这里下钩。 钓白白鲸需要耐心和技巧。首先，我们要将钓竿伸入水中，等待白白鲸的出现。当白白鲸游到钓竿附近时，它会主动咬住鱼饵。这时，我们要迅速收线，以免鱼饵被白白鲸拖走。当鱼饵被咬住后，我们可以感受到钓竿的震动。此时，我们要保持冷静，用力拉起钓竿，将白白鲸钓上岸。 值得注意的是，钓到白白鲸后，我们要尽快将其放入水中。因为白白鲸是一种珍稀的海洋生物，我们应该尊重它，保护它。此外，钓到白白鲸后，我们还可以获得丰厚的奖励。在摩尔庄园中，钓到白白鲸可以获得经验值、金币和特殊道具，这对于提升我们的实力大有裨益。 总之，摩尔庄园白白鲸的钓点位于庄园的西部海域。在这里，我们可以体验到与海洋生物亲密接触的乐趣。只要我们准备好钓具，找到白白鲸的栖息地，并掌握一定的技巧，就能成功钓到这只可爱的白白鲸。快来摩尔庄园，开启你的白白鲸钓捕之旅吧！

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。