本月研究机构公开新进展,大巴车上的难忘美好时光——我的青春记忆

近日行业报告发布最新研究成果,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。数字化服务派单，精准对接维修需求

济宁市曲阜市、内蒙古锡林郭勒盟阿巴嘎旗 ，酒泉市敦煌市、衡阳市衡阳县、汉中市汉台区、松原市扶余市、三明市将乐县、榆林市靖边县、内蒙古巴彦淖尔市临河区、泉州市丰泽区、惠州市惠阳区、广西南宁市青秀区、大同市天镇县、聊城市高唐县、广西桂林市兴安县、汉中市佛坪县、阳泉市城区 、益阳市赫山区、内蒙古锡林郭勒盟二连浩特市、德州市禹城市、沈阳市辽中区、长沙市宁乡市、丹东市振兴区、南京市栖霞区、长沙市岳麓区、赣州市信丰县、南通市海安市、琼海市博鳌镇、株洲市荷塘区

本周数据平台近期行业报告发布政策动向,今日相关部门发布新变化,大巴车上的难忘美好时光——我的青春记忆，很高兴为您解答这个问题，让我来帮您详细说明一下：家电问题一键呼叫，客服专员全程跟进

贵阳市开阳县、黑河市北安市 ，楚雄楚雄市、昌江黎族自治县乌烈镇、上海市虹口区、鹤岗市兴安区、广西玉林市陆川县、佛山市三水区、宁夏吴忠市同心县、西宁市湟源县、鹰潭市余江区、东莞市企石镇、忻州市五台县、安阳市文峰区、东莞市麻涌镇、金华市磐安县、白沙黎族自治县元门乡 、自贡市沿滩区、宿州市泗县、四平市铁西区、琼海市长坡镇、龙岩市武平县、重庆市潼南区、中山市民众镇、宜昌市西陵区、襄阳市樊城区、滨州市滨城区、朝阳市龙城区、无锡市滨湖区、漳州市华安县、上海市静安区

全球服务区域: 温州市永嘉县、铁岭市铁岭县 、哈尔滨市松北区、龙岩市新罗区、南阳市镇平县、凉山金阳县、济南市钢城区、广西梧州市岑溪市、江门市新会区、果洛达日县、牡丹江市穆棱市、广西防城港市上思县、三明市沙县区、商丘市睢县、临沧市云县、甘孜白玉县、孝感市孝昌县 、琼海市博鳌镇、玉溪市峨山彝族自治县、平凉市泾川县、宜春市宜丰县、广西百色市田阳区

在线维修进度查询,本周行业报告传达重要消息,大巴车上的难忘美好时光——我的青春记忆，很高兴为您解答这个问题，让我来帮您详细说明一下：专业维修团队，客服热线一键联系

全国服务区域: 抚顺市新宾满族自治县、临高县多文镇 、潍坊市寿光市、上海市静安区、阜阳市颍州区、抚顺市望花区、黄冈市红安县、铁岭市铁岭县、晋城市泽州县、丽水市云和县、牡丹江市爱民区、乐东黎族自治县千家镇、昭通市绥江县、绍兴市上虞区、白沙黎族自治县金波乡、南阳市新野县、连云港市灌云县 、景德镇市昌江区、泉州市洛江区、岳阳市汨罗市、汉中市留坝县、焦作市博爱县、汕头市龙湖区、澄迈县瑞溪镇、内蒙古锡林郭勒盟正蓝旗、赣州市定南县、琼海市石壁镇、重庆市垫江县、海北刚察县、毕节市金沙县、大同市广灵县、广西梧州市藤县、永州市冷水滩区、咸阳市秦都区、达州市通川区、苏州市常熟市、中山市横栏镇、东莞市高埗镇、海西蒙古族乌兰县、江门市新会区、凉山雷波县

本周数据平台今日数据平台透露最新消息:今日行业报告更新行业新动态,大巴车上的难忘美好时光——我的青春记忆

时光荏苒，岁月如梭。那些曾经的美好时光，如同一幅幅美丽的画卷，深深地烙印在我的心中。今天，我想和大家分享一段特别的回忆——那是我在大巴车上度过的难忘美好时光。 那是我高中时期的一个暑假，我和几位好友一起踏上了前往省城的旅程。为了节省开支，我们选择了乘坐大巴车。那时的我，对未来充满了期待，内心既兴奋又紧张。 那天，天空湛蓝，阳光明媚。我们提前到达了车站，排队等候上车。车站里人来人往，热闹非凡。我望着窗外，心中暗暗发誓，一定要珍惜这次难得的旅行。 大巴车缓缓驶出车站，我们便开始了这段难忘的旅程。车厢里，我们欢声笑语，彼此分享着彼此的故事。那时的我们，年轻而充满活力，对未来充满了憧憬。 车窗外，风景如画。我们一路欣赏着沿途的风景，心情愉悦。有时，我们会遇到一些有趣的事情，比如路边的农民在劳作，或是孩子们在玩耍。这些简单的画面，让我们感受到了生活的美好。 在旅途中，我们还遇到了一位慈祥的老奶奶。她坐在我们附近，脸上总是挂着慈祥的笑容。我们主动与她搭讪，得知她是一位退休教师，有着丰富的阅历。在她的讲述下，我们了解到了许多有趣的历史故事。那一刻，我们仿佛穿越时空，回到了那个年代。 旅途中的美好时光总是短暂的。转眼间，大巴车已经驶入了省城。我们带着满满的收获，踏上了新的征程。下车的那一刻，我们依依不舍地与老奶奶告别，心中充满了感激。 这段大巴车上的旅程，让我明白了友谊的可贵，也让我体会到了生活的美好。那些曾经的欢笑、泪水、感动，都成为了我宝贵的回忆。 如今，我们已经步入社会，各自忙碌于自己的生活。然而，那段大巴车上的美好时光，却始终伴随着我。每当我遇到挫折，想起那段旅程，我都会重新振作，勇往直前。 大巴车上的难忘美好时光，是我青春记忆中的一抹亮色。它让我明白了，生活中的美好，往往隐藏在平凡之中。只要我们用心去感受，用心去珍惜，那些美好的时光，便会成为我们人生中最宝贵的财富。 愿我们都能珍惜那些美好的时光，让它们成为我们人生中最美丽的风景。

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。