昨日行业报告发布新研究成果,《追猎者出装攻略：打造完美装备，轻松征服战场！》

今日行业报告公开重大研究成果,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。专业维修团队，客服热线一键联系

绍兴市新昌县、三亚市吉阳区 ，沈阳市苏家屯区、朝阳市凌源市、万宁市山根镇、杭州市临安区、江门市台山市、沈阳市苏家屯区、抚州市资溪县、广西南宁市横州市、广西桂林市灵川县、澄迈县老城镇、十堰市郧西县、广西百色市田林县、商洛市柞水县、广安市华蓥市、邵阳市城步苗族自治县 、天水市甘谷县、平凉市泾川县、昭通市威信县、晋城市沁水县、杭州市余杭区、达州市宣汉县、邵阳市大祥区、文昌市龙楼镇、郑州市中牟县、乐东黎族自治县莺歌海镇、合肥市瑶海区、茂名市化州市

在线维修进度查询,本月行业报告更新重大研究成果,《追猎者出装攻略：打造完美装备，轻松征服战场！》，很高兴为您解答这个问题，让我来帮您详细说明一下：专业家电维修客服，一对一解决问题

昌江黎族自治县石碌镇、嘉峪关市峪泉镇 ，咸宁市崇阳县、中山市小榄镇、甘南卓尼县、临夏康乐县、茂名市电白区、厦门市集美区、太原市小店区、内蒙古乌兰察布市集宁区、渭南市蒲城县、上海市虹口区、深圳市罗湖区、金华市婺城区、白沙黎族自治县南开乡、晋中市平遥县、鸡西市鸡东县 、烟台市蓬莱区、吉林市磐石市、白银市景泰县、泸州市纳溪区、赣州市赣县区、台州市黄岩区、雅安市天全县、文昌市潭牛镇、广西柳州市鱼峰区、怀化市靖州苗族侗族自治县、绵阳市北川羌族自治县、深圳市龙华区、湘潭市韶山市、丽江市华坪县

全球服务区域: 德州市德城区、文昌市东阁镇 、杭州市富阳区、黔西南普安县、湘西州保靖县、杭州市西湖区、铜仁市松桃苗族自治县、齐齐哈尔市富裕县、淮安市洪泽区、马鞍山市含山县、直辖县神农架林区、宿迁市泗阳县、赣州市石城县、东营市东营区、赣州市兴国县、屯昌县西昌镇、信阳市息县 、晋中市和顺县、丽水市云和县、鹤岗市兴山区、西安市未央区、泉州市金门县

刚刚专家组披露重要结论,今日研究机构披露重要进展,《追猎者出装攻略：打造完美装备，轻松征服战场！》，很高兴为您解答这个问题，让我来帮您详细说明一下：家电24小时服务热线，紧急故障优先处理

全国服务区域: 广西贺州市平桂区、内蒙古阿拉善盟阿拉善左旗 、定西市岷县、宝鸡市凤县、济南市槐荫区、重庆市开州区、芜湖市湾沚区、临沂市临沭县、内蒙古乌兰察布市化德县、白沙黎族自治县打安镇、福州市长乐区、白银市景泰县、梅州市平远县、咸宁市嘉鱼县、永州市道县、澄迈县仁兴镇、乐山市井研县 、德阳市广汉市、伊春市大箐山县、文昌市冯坡镇、惠州市惠城区、汕头市澄海区、甘孜炉霍县、佛山市顺德区、大理宾川县、太原市古交市、杭州市江干区、大连市沙河口区、果洛达日县、长治市潞城区、广西贺州市昭平县、文山富宁县、运城市盐湖区、遵义市赤水市、海西蒙古族都兰县、泸州市纳溪区、澄迈县瑞溪镇、内江市隆昌市、朔州市山阴县、济宁市邹城市、保山市昌宁县

作为国家高新技术企业认证平台:本周行业报告披露政策新动向,《追猎者出装攻略：打造完美装备，轻松征服战场！》

在《英雄联盟》这款全球知名的MOBA游戏中，追猎者（Master Yi）以其高爆发、高机动性而备受玩家喜爱。作为一名极具特色的英雄，追猎者的出装选择直接关系到他在战场上的表现。本文将为您详细解析追猎者的出装策略，帮助您在游戏中轻松征服战场。 一、核心装备 1. **破败王者之刃**：作为追猎者的核心装备之一，破败王者之刃提供了高额的攻击力、攻击速度和生命偷取。它还能在追猎者攻击敌人时，为自己提供额外的生命回复。在游戏中，破败王者之刃可以帮助追猎者迅速击杀敌人，同时保证自身的生存能力。 2. **幽梦之灵**：幽梦之灵提供了出色的攻击速度、攻击力、生命偷取和冷却缩减。它还能增加追猎者的移动速度和生命偷取效果。在追猎者拥有破败王者之刃的基础上，装备幽梦之灵可以进一步提升他的攻击力和生存能力。 3. **死亡之舞**：死亡之舞是一款具有强大生存能力的装备，它提供了高额的生命值、攻击力、攻击速度和生命偷取。在追猎者被敌人围攻时，死亡之舞可以提供额外的护甲穿透和生命回复效果，帮助他顽强地生存下来。 二、辅助装备 1. **抵抗之靴**：抵抗之靴提供了出色的冷却缩减和法术抗性，可以有效减少敌方法师的伤害。在追猎者面对敌方法师阵容时，装备抵抗之靴可以降低被敌方法师集火的概率。 2. **守护天使**：守护天使是一款具有强大生存能力的装备，它提供了高额的生命值、护甲和魔法抗性。在追猎者被敌人围攻时，守护天使可以提供额外的护甲和生命回复效果，帮助他顽强地生存下来。 3. **饮血剑**：饮血剑提供了高额的生命值、攻击力和攻击速度。它还能在追猎者攻击敌人时，为自己提供额外的生命回复。在追猎者拥有破败王者之刃和幽梦之灵的基础上，装备饮血剑可以进一步提升他的攻击力和生存能力。 三、总结 在《英雄联盟》中，追猎者的出装选择至关重要。通过以上装备搭配，可以全面提升追猎者的攻击力和生存能力，帮助他在战场上所向披靡。当然，在实际游戏中，还需根据对手的阵容和局势，灵活调整出装策略。希望本文能为您的追猎者出装提供有益的参考，祝您在游戏中取得优异成绩！

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。