探寻神秘代码“49619”：开还是不开，这是一个问题！

本月行业报告传递新动态,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。智能派单系统，维修师傅快速上门

黄山市祁门县、丽江市华坪县 ，重庆市渝北区、宜春市上高县、咸宁市嘉鱼县、赣州市宁都县、临汾市霍州市、天津市滨海新区、大庆市林甸县、沈阳市铁西区、黑河市五大连池市、南充市仪陇县、济南市平阴县、直辖县潜江市、鹰潭市余江区、龙岩市长汀县、荆州市监利市 、牡丹江市宁安市、广西桂林市永福县、株洲市攸县、苏州市常熟市、太原市万柏林区、张掖市肃南裕固族自治县、澄迈县仁兴镇、东方市大田镇、深圳市龙华区、大兴安岭地区呼中区、海南贵德县、咸阳市彬州市

专家在线诊断专线,昨日行业报告更新政策变化,探寻神秘代码“49619”：开还是不开，这是一个问题！，很高兴为您解答这个问题，让我来帮您详细说明一下：智能回收评估系统，自动生成报价

重庆市九龙坡区、临夏康乐县 ，大兴安岭地区松岭区、西宁市湟源县、直辖县潜江市、陵水黎族自治县椰林镇、中山市南朗镇、大连市甘井子区、南昌市青云谱区、湖州市南浔区、昭通市镇雄县、池州市青阳县、宁夏银川市贺兰县、宁波市江北区、红河元阳县、邵阳市城步苗族自治县、琼海市万泉镇 、扬州市宝应县、温州市泰顺县、广西百色市田阳区、忻州市宁武县、南充市营山县、毕节市赫章县、甘孜稻城县、金华市浦江县、朔州市平鲁区、徐州市睢宁县、天水市张家川回族自治县、新乡市延津县、吉安市吉州区、绵阳市盐亭县

全球服务区域: 泰州市海陵区、丽江市永胜县 、武威市凉州区、咸宁市咸安区、新乡市卫辉市、肇庆市广宁县、济南市天桥区、宿迁市泗洪县、广西柳州市柳城县、乐山市峨眉山市、龙岩市武平县、楚雄武定县、漯河市召陵区、鹤岗市绥滨县、驻马店市上蔡县、上饶市婺源县、铜仁市松桃苗族自治县 、南阳市新野县、果洛班玛县、酒泉市敦煌市、渭南市白水县、遵义市凤冈县

可视化故障排除专线,今日行业协会公开新动态,探寻神秘代码“49619”：开还是不开，这是一个问题！，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

全国服务区域: 黑河市北安市、河源市龙川县 、内蒙古赤峰市宁城县、湖州市长兴县、文昌市龙楼镇、三门峡市灵宝市、内蒙古巴彦淖尔市杭锦后旗、济南市天桥区、内蒙古巴彦淖尔市五原县、文昌市昌洒镇、济南市天桥区、中山市石岐街道、宜宾市叙州区、南昌市东湖区、陇南市武都区、宜昌市夷陵区、保山市腾冲市 、三沙市南沙区、潍坊市诸城市、哈尔滨市宾县、南阳市新野县、朔州市应县、抚州市东乡区、南昌市西湖区、天津市东丽区、重庆市綦江区、重庆市渝北区、泉州市安溪县、甘南碌曲县、乐东黎族自治县利国镇、宜昌市长阳土家族自治县、毕节市赫章县、东方市八所镇、淮北市相山区、抚顺市顺城区、贵阳市开阳县、潍坊市临朐县、朔州市山阴县、重庆市荣昌区、天津市北辰区、朝阳市双塔区

近日调查组公开关键证据本:本月国家机构传递新政策,探寻神秘代码“49619”：开还是不开，这是一个问题！

在信息化时代，数字和代码无处不在，它们构成了我们生活的方方面面。今天，我们要探讨一个神秘的代码“49619”，它究竟意味着什么？是开启一段奇妙的旅程，还是隐藏着某种未知的危险？让我们一起来揭开这个谜团。 首先，让我们分析一下这个代码。49619，从数字本身来看，并没有什么特殊的意义。然而，在数字的世界里，每一个数字都可能是开启某个秘密的钥匙。那么，这个代码背后隐藏的秘密又是什么呢？ 经过一番搜索和推理，我们发现，这个代码可能与某个特定的场景或者事件有关。或许，它是一个密码，需要我们通过某种方式来破解。那么，我们该如何破解这个密码呢？ 首先，我们可以尝试将数字进行拆分。将49619拆分为四个部分：4、9、6、19。接下来，我们可以尝试对这些数字进行一些运算。比如，将它们相加、相乘、相减或者相除。 4 + 9 + 6 + 19 = 38 38这个数字看起来也没有什么特殊之处。然而，如果我们继续拆分38，将其转换为英文字母，那么事情可能会有所不同。在英文字母表中，A对应1，B对应2，以此类推，Z对应26。因此，我们可以将38转换为字母序列。 38对应的字母序列是：S、T。 现在，我们得到了一个新的线索：ST。这个线索似乎指向了某个特定的事物或者地点。我们可以尝试在网络上搜索相关信息，看看能否找到与ST相关的线索。 经过一番搜索，我们发现，ST可能与某个特定的品牌、产品或者组织有关。然而，由于信息有限，我们无法确定具体是哪一个。那么，这个代码49619究竟是在暗示我们什么？ 接下来，我们可以尝试将原始代码中的数字进行其他运算。比如，将它们按照某种特定的顺序排列。 4、9、6、1、9 我们可以将这个序列与英文字母表进行对应，看看能否找到新的线索。 4对应D，9对应I，6对应F，1对应A，9对应I。 现在，我们得到了一个新的字母序列：DIFAI。 将这个字母序列转换为数字，我们可以得到：4、9、6、1、9。 这个数字序列与原始代码相同，说明我们可能找到了正确的解法。那么，这个序列究竟在暗示我们什么？ 根据这个序列，我们可以尝试在网络上搜索相关信息。经过一番搜索，我们发现，这个序列可能与某个特定的组织或者事件有关。然而，由于信息有限，我们仍然无法确定具体是哪一个。 在寻找答案的过程中，我们不禁思考：这个代码49619究竟是在暗示我们什么？是开启一段奇妙的旅程，还是隐藏着某种未知的危险？ 或许，这个代码只是一个普通的数字序列，没有太多的含义。然而，在探索的过程中，我们收获了知识、智慧和乐趣。这正是数字世界带给我们的魅力。 总之，对于这个神秘的代码49619，我们无法给出确切的答案。但是，通过分析、推理和探索，我们至少找到了一些线索。或许，有一天，我们能够揭开这个谜团的真相。而那时，我们将再次感叹数字世界的神奇与美妙。

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。