本月行业协会传达新政策动态,[BBBS] 孙尚香化身学霸，耐心辅导刘禅完成作业

昨日相关部门披露行业进展,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。自动化服务调度，智能匹配维修资源

安庆市宿松县、衢州市龙游县 ，怀化市芷江侗族自治县、安康市汉阴县、龙岩市新罗区、内蒙古兴安盟扎赉特旗、保亭黎族苗族自治县什玲、榆林市定边县、长治市平顺县、铜仁市沿河土家族自治县、重庆市南川区、惠州市龙门县、萍乡市莲花县、常州市新北区、襄阳市襄城区、长春市南关区、东方市板桥镇 、天津市河东区、平顶山市郏县、大连市瓦房店市、长春市二道区、江门市台山市、烟台市莱阳市、泰安市泰山区、抚州市宜黄县、营口市盖州市、泸州市纳溪区、六安市叶集区、佳木斯市前进区

刚刚监管中心披露最新规定,稍早前相关部门更新进展,[BBBS] 孙尚香化身学霸，耐心辅导刘禅完成作业，很高兴为您解答这个问题，让我来帮您详细说明一下：维修服务呼叫中心，智能工单自动分配

果洛玛沁县、吉安市万安县 ，东方市东河镇、湛江市徐闻县、天津市东丽区、恩施州建始县、徐州市新沂市、新乡市新乡县、德阳市绵竹市、上饶市婺源县、牡丹江市宁安市、南通市崇川区、九江市永修县、驻马店市泌阳县、江门市台山市、普洱市西盟佤族自治县、海北刚察县 、张掖市肃南裕固族自治县、泰安市新泰市、中山市民众镇、连云港市灌南县、广西百色市凌云县、营口市大石桥市、陇南市礼县、广西梧州市苍梧县、驻马店市遂平县、牡丹江市西安区、广州市越秀区、商丘市梁园区、杭州市淳安县、玉树治多县

全球服务区域: 安阳市北关区、汉中市佛坪县 、临高县东英镇、阿坝藏族羌族自治州黑水县、阜阳市颍泉区、南京市鼓楼区、铜仁市沿河土家族自治县、三明市清流县、武威市凉州区、文昌市抱罗镇、阿坝藏族羌族自治州小金县、汕头市南澳县、铜仁市碧江区、广西梧州市万秀区、菏泽市成武县、福州市永泰县、聊城市临清市 、合肥市长丰县、湛江市遂溪县、宿州市砀山县、黄冈市黄州区、十堰市竹溪县

刚刚应急团队公布处置方案,本周监管部门公布行业动态,[BBBS] 孙尚香化身学霸，耐心辅导刘禅完成作业，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

全国服务区域: 海西蒙古族都兰县、广西河池市凤山县 、晋城市泽州县、广西百色市那坡县、平顶山市宝丰县、广西来宾市合山市、临汾市古县、西宁市湟中区、伊春市铁力市、临高县临城镇、内蒙古兴安盟科尔沁右翼中旗、潍坊市青州市、东方市江边乡、白山市浑江区、咸阳市渭城区、福州市仓山区、海北祁连县 、宜宾市长宁县、榆林市定边县、重庆市奉节县、广西柳州市柳北区、直辖县潜江市、红河绿春县、广州市黄埔区、安顺市普定县、凉山会东县、甘孜巴塘县、西双版纳勐腊县、琼海市长坡镇、宿迁市宿城区、贵阳市观山湖区、临汾市吉县、铜陵市义安区、洛阳市西工区、泰州市姜堰区、哈尔滨市香坊区、玉溪市澄江市、楚雄永仁县、丽江市华坪县、安庆市大观区、濮阳市清丰县

本周数据平台今日官方渠道公布最新动态:今日相关部门发布新动向,[BBBS] 孙尚香化身学霸，耐心辅导刘禅完成作业

在充满欢声笑语的BBBS（宝贝宝贝吧）社区中，近日发生了一件温馨又有趣的事情。孙尚香，这位以英勇善战著称的女英雄，竟然化身学霸，耐心地辅导刘禅完成作业。这一幕，不仅让社区内的家长们为之动容，也让众多网友感叹：原来英雄也有温柔的一面。 刘禅，作为三国时期蜀汉后主刘备的儿子，虽然继承了父亲的江山，但在学习方面却显得有些吃力。这不，这次作业又成了他的难题。眼看着作业截止日期临近，刘禅急得像热锅上的蚂蚁。这时，孙尚香得知了这个消息，二话不说，立刻化身学霸，开始辅导刘禅。 孙尚香深知刘禅的性格，知道他喜欢轻松愉快的学习氛围。于是，她先从刘禅感兴趣的《三国演义》入手，用书中的人物和故事情节来解释作业中的知识点。果然，刘禅听得津津有味，对作业的兴趣也逐渐浓厚起来。 在辅导过程中，孙尚香不仅耐心地解答刘禅的疑问，还教他如何归纳总结，提高学习效率。她还提醒刘禅，学习是为了更好地生活，要珍惜时光，努力学习。这些话语，让刘禅深受触动，他意识到自己肩负着家族的期望，要为蜀汉的繁荣贡献自己的力量。 在孙尚香的耐心辅导下，刘禅的作业终于顺利完成。看着刘禅满意的笑容，孙尚香也感到无比欣慰。她知道，这次辅导不仅让刘禅学会了知识，更重要的是让他明白了学习的重要性。 这一幕在BBBS社区引起了广泛关注。家长们纷纷表示，孙尚香的做法值得学习，他们也要像孙尚香一样，关心孩子的学习，陪伴他们度过快乐的成长时光。网友们也纷纷留言，称赞孙尚香是“最美学霸”，为她的爱心和耐心点赞。 值得一提的是，孙尚香在辅导刘禅的过程中，也收获了许多。她表示，通过这次辅导，她更加深刻地理解了教育的真谛，明白了作为一名母亲的责任。她希望通过自己的努力，让更多的孩子受益，让他们在快乐中成长。 总之，孙尚香化身学霸，耐心辅导刘禅完成作业的故事，让我们看到了英雄的另一面。在今后的日子里，让我们共同努力，为孩子的成长助力，让他们在知识的海洋中尽情遨游。

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。