近日监管部门透露最新动态,探寻绯樱绣球：揭开其神秘位置之谜

昨日研究机构公开研究成果,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。24小时维修客服热线，随时为您服务

宿州市埇桥区、邵阳市新宁县 ，宁波市江北区、郑州市登封市、连云港市海州区、镇江市扬中市、东方市八所镇、常德市武陵区、齐齐哈尔市泰来县、泰安市岱岳区、宜宾市长宁县、周口市项城市、昆明市西山区、周口市淮阳区、孝感市汉川市、乐山市沐川县、孝感市大悟县 、阜阳市颍州区、赣州市南康区、东莞市万江街道、延边敦化市、沈阳市于洪区、太原市万柏林区、重庆市开州区、北京市大兴区、广州市番禺区、温州市永嘉县、汉中市宁强县、太原市迎泽区

本周数据平台稍早前行业协会报道新政,近日行业报告发布最新研究成果,探寻绯樱绣球：揭开其神秘位置之谜，很高兴为您解答这个问题，让我来帮您详细说明一下：家电延保服务专线，长期保障支持

佳木斯市向阳区、长治市武乡县 ，芜湖市鸠江区、德州市禹城市、张掖市民乐县、通化市二道江区、泰安市东平县、黄冈市罗田县、甘南卓尼县、温州市永嘉县、赣州市定南县、岳阳市君山区、南阳市镇平县、儋州市排浦镇、焦作市博爱县、开封市祥符区、襄阳市樊城区 、汕头市龙湖区、牡丹江市爱民区、广州市白云区、临沧市云县、乐东黎族自治县千家镇、常州市金坛区、驻马店市汝南县、陇南市徽县、济南市槐荫区、澄迈县永发镇、亳州市涡阳县、重庆市石柱土家族自治县、广西河池市环江毛南族自治县、淮南市潘集区

全球服务区域: 舟山市定海区、内蒙古兴安盟扎赉特旗 、济南市莱芜区、大庆市林甸县、安庆市望江县、安康市石泉县、许昌市鄢陵县、新乡市长垣市、泰州市海陵区、广西崇左市天等县、大庆市肇州县、泰安市东平县、内蒙古乌海市海勃湾区、无锡市江阴市、通化市辉南县、杭州市拱墅区、株洲市石峰区 、内蒙古乌兰察布市兴和县、西宁市湟中区、成都市青羊区、景德镇市昌江区、盐城市大丰区

近日监测部门公开最新参数,今日行业报告披露重大政策更新,探寻绯樱绣球：揭开其神秘位置之谜，很高兴为您解答这个问题，让我来帮您详细说明一下：智能保养提醒系统，自动推送通知

全国服务区域: 汕头市南澳县、榆林市绥德县 、遵义市余庆县、周口市西华县、赣州市宁都县、通化市通化县、大连市庄河市、惠州市惠阳区、阜阳市界首市、济南市天桥区、晋城市泽州县、昭通市昭阳区、天水市秦州区、福州市平潭县、万宁市和乐镇、黔南都匀市、巴中市巴州区 、澄迈县中兴镇、六盘水市盘州市、深圳市光明区、广西柳州市柳江区、怒江傈僳族自治州福贡县、广西桂林市兴安县、泰州市海陵区、铜陵市铜官区、湘西州龙山县、上海市普陀区、黄南河南蒙古族自治县、湛江市徐闻县、北京市怀柔区、咸阳市兴平市、遵义市赤水市、东莞市厚街镇、汉中市佛坪县、广西玉林市陆川县、安阳市北关区、平顶山市汝州市、玉溪市华宁县、湛江市霞山区、萍乡市安源区、铜仁市碧江区

官方技术支援专线:本月行业报告更新行业变化,探寻绯樱绣球：揭开其神秘位置之谜

在我国广袤的土地上，自然景观千姿百态，其中不乏一些神秘而美丽的植物。绯樱绣球，便是其中之一。这种花色艳丽、形态独特的植物，其位置之谜一直吸引着众多植物爱好者和探险者的目光。今天，就让我们一起揭开绯樱绣球的神秘位置之谜。 绯樱绣球，学名Hydrangea macrophylla，又名大叶绣球，属于绣球科绣球属植物。它原产于我国长江流域，后传入日本、韩国等地。在我国，绯樱绣球主要分布在江西、浙江、安徽、湖南等省份。由于其花色艳丽，形态独特，被誉为“花中皇后”。 然而，关于绯樱绣球的具体位置，却一直是个谜。有人说，它生长在深山老林中，只有勇敢的探险者才能找到；有人说，它藏匿于山谷溪流旁，只有细心观察才能发现。种种传说，使得绯樱绣球的位置更加神秘。 为了揭开这一谜团，许多植物学家和探险者纷纷踏上了寻找绯樱绣球的征程。经过多年的努力，他们逐渐揭开了绯樱绣球位置的神秘面纱。 首先，绯樱绣球喜欢生长在湿润、半阴的环境中。在江西、浙江、安徽、湖南等省份，这些条件都较为适宜。在这些省份的山林、山谷、溪流旁，往往能找到绯樱绣球的踪迹。 其次，绯樱绣球对土壤要求不严，但以疏松、肥沃、排水良好的土壤为佳。在山区，这些条件也较为容易满足。因此，在山区寻找绯樱绣球，成功率会更高。 再次，绯樱绣球的花期一般在每年的5月至8月。在这个时间段内，如果发现花色艳丽、形态独特的植物，有很大可能是绯樱绣球。 那么，如何确定是否找到了绯樱绣球呢？以下是一些识别方法： 1. 观察花朵：绯樱绣球的花朵呈球形，花色艳丽，有白色、粉色、紫色等多种颜色。在花期内，花朵盛开，犹如绣球一般。 2. 观察叶片：绯樱绣球的叶片为深绿色，叶片边缘有锯齿状，叶片表面光滑。 3. 观察枝干：绯樱绣球的枝干较为细长，树皮呈灰褐色。 当然，在寻找绯樱绣球的过程中，还需注意安全。山区地形复杂，行走时要小心滑倒、摔伤。同时，要尊重自然，保护生态环境。 总之，绯樱绣球的位置之谜已经逐渐揭开。在江西、浙江、安徽、湖南等省份的山林、山谷、溪流旁，都有可能找到这种美丽的植物。只要我们用心去寻找，相信不久的将来，我们都能亲眼目睹这“花中皇后”的风采。

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。