本月行业报告公开最新政策,牙刷不当使用：警惕尿孔清洁误区

昨日官方通报重大研究成果,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。家电故障远程诊断，视频指导快速解决

安庆市宜秀区、广西南宁市马山县 ，周口市项城市、淄博市高青县、梅州市蕉岭县、无锡市滨湖区、丹东市凤城市、鹰潭市余江区、潍坊市寿光市、漳州市龙文区、陇南市文县、北京市怀柔区、商丘市梁园区、周口市项城市、常州市武进区、中山市石岐街道、吕梁市汾阳市 、广西来宾市象州县、南京市溧水区、泸州市江阳区、内蒙古乌兰察布市凉城县、黔南长顺县、咸阳市乾县、德宏傣族景颇族自治州陇川县、焦作市武陟县、楚雄南华县、临汾市洪洞县、抚州市崇仁县、吉安市永丰县

近日监测部门公开,今日行业报告更新新成果,牙刷不当使用：警惕尿孔清洁误区，很高兴为您解答这个问题，让我来帮您详细说明一下：24小时维修客服热线，随时为您服务

泰安市东平县、东营市东营区 ，新乡市新乡县、上海市崇明区、济南市天桥区、鞍山市立山区、黑河市爱辉区、三沙市南沙区、楚雄永仁县、商丘市虞城县、大兴安岭地区加格达奇区、烟台市莱州市、荆门市掇刀区、哈尔滨市松北区、乐东黎族自治县万冲镇、陇南市徽县、重庆市南岸区 、文昌市东阁镇、朝阳市双塔区、乐山市沐川县、鸡西市虎林市、徐州市贾汪区、长治市潞城区、南通市如东县、徐州市沛县、庆阳市宁县、临汾市襄汾县、长治市壶关县、阜新市新邱区、自贡市大安区、湛江市遂溪县

全球服务区域: 周口市西华县、宁夏银川市灵武市 、广西南宁市良庆区、铜仁市松桃苗族自治县、黔西南兴仁市、云浮市罗定市、广西贺州市富川瑶族自治县、阿坝藏族羌族自治州红原县、海西蒙古族茫崖市、连云港市东海县、湛江市吴川市、鹤岗市南山区、宿州市砀山县、抚州市黎川县、永州市双牌县、广西防城港市港口区、屯昌县西昌镇 、聊城市茌平区、甘孜理塘县、广元市昭化区、襄阳市襄城区、迪庆香格里拉市

本周数据平台今日官方渠道公布最新动态,今日监管部门发布重大研究成果,牙刷不当使用：警惕尿孔清洁误区，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

全国服务区域: 襄阳市宜城市、昌江黎族自治县乌烈镇 、信阳市光山县、哈尔滨市呼兰区、天水市武山县、衢州市江山市、晋中市和顺县、福州市晋安区、佳木斯市桦川县、庆阳市合水县、景德镇市浮梁县、曲靖市陆良县、凉山德昌县、汉中市佛坪县、四平市铁东区、三门峡市卢氏县、天水市麦积区 、常德市津市市、常德市鼎城区、孝感市孝南区、东莞市塘厦镇、眉山市仁寿县、延安市富县、西安市临潼区、广西南宁市横州市、许昌市建安区、重庆市九龙坡区、澄迈县中兴镇、内蒙古鄂尔多斯市杭锦旗、铜川市印台区、郴州市汝城县、内蒙古呼伦贝尔市根河市、内蒙古鄂尔多斯市准格尔旗、万宁市山根镇、松原市扶余市、成都市大邑县、晋中市和顺县、延安市黄陵县、延安市子长市、昆明市东川区、六安市金寨县

全天候服务支持热线:本月官方渠道传递新进展,牙刷不当使用：警惕尿孔清洁误区

在日常生活中，牙刷是我们用来清洁牙齿的重要工具，然而，近年来，一些不科学的清洁方法开始出现在网络上，其中“用牙刷在尿孔来回刷”的做法引起了广泛关注。这种做法看似简单，实则存在诸多风险，我们应该警惕这一清洁误区。 首先，我们需要明确，尿孔是人体排泄系统的一部分，其主要功能是排出尿液。而牙刷是口腔清洁工具，两者在结构和功能上有着本质的区别。将牙刷用于尿孔清洁，不仅无法达到预期的效果，反而可能引发一系列健康问题。 首先，牙刷的刷毛较硬，直接用于尿孔清洁可能会造成皮肤损伤。尿孔周围的皮肤较为娇嫩，使用硬质刷毛摩擦，容易导致皮肤破损，甚至引发感染。此外，尿孔周围还有许多重要的生殖器官，使用牙刷清洁可能会对这些器官造成伤害。 其次，牙刷在口腔中长时间使用，表面会残留大量的细菌和病毒。将这些细菌和病毒带入尿孔，可能会引起尿路感染等疾病。尿路感染是一种常见的疾病，女性发病率较高，男性也难以幸免。使用牙刷清洁尿孔，无疑增加了感染的风险。 此外，用牙刷在尿孔来回刷，还可能对生殖器官造成刺激，引发不适。尿孔周围神经丰富，使用牙刷清洁时，可能会刺激这些神经，导致疼痛、瘙痒等症状。长期刺激还可能引发慢性炎症，对身体健康造成严重影响。 那么，如何正确清洁尿孔呢？以下是一些建议： 1. 使用温水清洗：每天用温水清洗尿孔，可以清除污垢和细菌，保持尿孔卫生。 2. 保持个人卫生：勤换内裤，保持会阴部干燥，减少细菌滋生。 3. 注意性生活卫生：性生活前后，男女双方都要注意清洁，预防尿路感染。 4. 避免使用刺激性清洁用品：一些刺激性较强的清洁用品，如肥皂、洗液等，可能会刺激尿孔周围皮肤，导致不适。 总之，用牙刷在尿孔来回刷是一种不科学的清洁方法，我们应该摒弃这种误区。在日常清洁中，我们要选择正确的方法，保护自己的身体健康。同时，对于网络上的不实信息，我们要保持警惕，理性对待，避免受到误导。

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。