2026 年 9 月 2 日，Multiverse Computing 正式发布旗舰推理模型 Quasar 438B，并在官网直接以“Europe’s Leading AI Model”为题进行宣传。
Multiverse 称，根据第三方评测机构 Artificial Analysis 的测试，Quasar 438B 当时在欧洲模型中取得最高 Intelligence Index 得分。
问题很快出现在模型的“身份”上。
Multiverse 在 9 月 2 日长达数页的发布文章中详细介绍了 Quasar 的参数规模、性能、速度和应用场景，却没有提到一个关键信息，这款模型的基础模型来自中国智谱（Z.ai）的 GLM-5.2。
相关 Hacker News 讨论获得超过百条评论。
Multiverse 自己此前留下的文档却已经透露了两者的关系。
8 月 5 日，Quasar 438B 首次进入 CompactifAI API Beta 阶段时，Multiverse 在更新日志中写道，Quasar 438B 支持工具调用和结构化输出，其“能力与 GLM 5.2 相同”。
更早的 7 月 15 日，GLM-5.2 本身也曾进入 Multiverse 的 API。
有开发者质疑，Multiverse 的发布方式容易让外界产生 Quasar 是一款从头训练的欧洲基础模型的印象，而企业真正擅长的业务其实是模型压缩。
9 月 3 日，Multiverse 发布技术文章《Inside Quasar 438B》，首次明确说明 Quasar 438B 并非从零训练，而是基于智谱 GLM-5.2 压缩而来。
Multiverse 使用自研 CompactifAI 技术对 GLM-5.2 进行裁剪和压缩，再针对编程、AI Agent 等场景进一步优化。
GLM-5.2 原始模型拥有约 7530 亿参数，采用 MoE 架构，推理时激活约 400 亿参数，模型权重以 MIT License 开放。
经过 Multiverse 处理后，Quasar 的总参数量降至 4380 亿。
压缩带来的一个直接变化是速度。
Artificial Analysis 当前数据显示，Quasar 438B 输出速度约为 168 Token/s，GLM-5.2 约为 62 Token/s；Quasar 首个 Token 延迟约 0.96 秒，GLM-5.2 约为 3.44 秒。
与此同时，在 Artificial Analysis 最新版本的 Intelligence Index 中，Quasar 438B 得分低于 GLM-5.2。
Multiverse 所做的主要工作并不是重新训练一个 4380 亿参数基础模型，而是在 GLM-5.2 的基础上进行模型压缩、裁剪和后续调优，以牺牲部分能力换取更高的推理速度和更低的部署成本。
9 月 15 日，Multiverse 又发布了 Quasar 1.1 438B，并首次披露了更多技术细节。
Multiverse 明确表示，Quasar 1.1 仍然“built from GLM-5.2”。
其 CompactifAI 流程会对 GLM-5.2 的 MoE 专家进行裁剪，每一层的专家数量从 256 个减少至 148 个，由此降低模型规模和推理成本。裁剪完成后，Multiverse 再使用推理轨迹、工具调用序列和通用知识等数据重新训练模型。
Quasar 1.1 还首次加入了量子计算生成的数据。
Multiverse 称，部分训练数据由混合量子大模型生成，其中量子电路运行在西班牙圣塞巴斯蒂安的 IBM Quantum System Two 上，使用 156 量子比特 IBM Heron 处理器。
GLM-5.2 采用 MIT License，允许商业使用和修改，Multiverse 基于其进行压缩、调优和商业部署本身并不存在开源许可证层面的冲突。
真正引发争议的是宣传方式。
Multiverse 在 9 月 2 日将 Quasar 438B 定义为“欧洲领先 AI 模型”，并将其作为“欧洲主权 AI”能力的代表，但发布文章没有说明模型底座来自智谱 GLM-5.2。
因争议，Multiverse 直到第二天发布技术文章，才明确披露这一关系。
云头条声明：如以上内容有误或侵犯到你公司、机构、单位或个人权益，请联系我们说明理由，我们会配合，无条件删除处理。
