MIMO
PulseAugur coverage of MIMO — every cluster mentioning MIMO across labs, papers, and developer communities, ranked by signal.
- 2026-07-09 product_launch Xiaomi is integrating its new MiMo foundational large model with its Xiao Ai voice assistant, signaling a strategic shift towards developing its own AI agent ecosystem. 来源
- 2026-05-26 product_launch Xiaomi's MiMo large model permanently reduced API prices for its V2.5 series by up to 99%. 来源
- 2026-05-22 research_milestone Xiaomi's MiMo model demonstrated superior performance over Anthropic's Claude Opus 4.7 on coding tasks. 来源
7 天有情绪数据
-
小米整合小爱与MiMo基础模型，构建AI智能体生态
小米重组了其AI业务，将小爱语音助手与新推出的MiMo基础大模型整合。此举旨在通过统一的AI智能体战略，整合小米在手机、汽车和物联网设备等多元生态系统中的AI能力。公司正大力投资自主研发基础模型，认为这是确保其在不断演进的AI格局中地位并掌控生态系统内用户访问和数据的关键长期战略。
-
DeepSeek 传自研AI芯片；前OpenAI研究员加入腾讯
据报道，DeepSeek 正在自主研发用于推理任务的AI芯片，旨在减少对英伟达的依赖。此举若成功，将标志着这家中国AI领导者的一次重大战略转变，使其加入全球开发者寻求更大硬件控制权的行列。 此外，前OpenAI研究员田永龙已加入腾讯，可能将为腾讯的视觉语言模型（VLM）研究做出贡献。与此同时，小米已重组其“小爱”AI助手团队，由米萌基础模型团队负责核心能力，原小爱负责人已调往机器人部门。
-
新的贝叶斯深度学习框架跟踪MIMO接收器中的硬件损伤
研究人员开发了一个名为MP-TTBDL的新框架，该框架利用消息传递和贝叶斯深度学习来联合跟踪大规模MIMO接收器中的信道和硬件损伤。该方法通过分配不同的马尔可夫先验来模拟无线信道和硬件漂移的不同时间尺度。该框架分离信道估计和损伤校准模块，迭代交换信息直至收敛，并已证明与传统方法相比具有更低的信道估计误差。
-
开发者因模型不可靠而放弃 LLM 预约服务
一位开发者分享了他们使用开源 LLM 构建生产服务进行预约调度的经验，但最终因重大挑战决定关闭该项目。虽然开源模型已经改进并且适合个人使用，但将其集成到多方服务中却带来了问题。问题包括提供商不可靠的 API 正常运行时间、PydanticAI 在同步环境中的异步设计带来的困难，以及模型频繁返回无法修复的损坏结构化数据，导致用户体验不佳。
-
开发者构建投资机器人，认识到大语言模型的局限性
作者详细介绍了他们花费两个月时间构建一个投资分析机器人的历程，该机器人利用大语言模型（LLMs）提供月度投资组合建议。最初是为了寻求市场优势，但他们意识到大语言模型更适合信息过滤和提案生成，而不是预测市场走势。该机器人的开发涉及尝试各种大语言模型，包括Gemini、Claude和Opus，以解决一致性问题并找到最有效的工具。
-
小米开源米洛科2.0智能家居AI及MiMo模型
小米发布了小米米洛科2.0，一个面向智能家居的开源AI解决方案。这个由小米自主研发的MiMo大模型驱动的升级系统，增强了交互、产品功能和记忆能力。米洛科2.0的准入门槛也大大降低，作为Agent插件集成到OpenClaw中，可轻松安装在各种操作系统上，并通过数据隔离和本地数据清除提供改进的隐私保护。
-
新的k-MMVAE模型增强了无线系统中的CSI压缩
研究人员开发了一种名为k-memory Markov variational autoencoder (k-MMVAE) 的新压缩框架，以提高无线系统中信道状态信息 (CSI) 压缩的效率。该模型在潜在空间中显式地模拟了CSI的时间演变，捕捉了连续快照之间的依赖关系。模拟表明，k-MMVAE通过有效利用时间相关性，在现有无记忆和弱序列方法中表现更优，尤其是在较低的压缩率下。
-
本地AI模型在复杂任务上落后于前沿闭源模型
一位Reddit用户认为，尽管取得了快速进展，但在复杂的、自主的任务方面，本地和开源AI模型仍然远远落后于前沿闭源模型。该用户承认像Qwen和DeepSeek这样的模型在隐私数据任务或工具调用等特定应用方面取得了令人印象深刻的进展和实用性，但认为它们在多步推理和解决问题方面需要大量的人工干预。争论的核心在于，这些本地模型尚不足以取代顶尖商业模型来处理高级编码或复杂的自主操作等要求苛刻的工作负载。
-
Open LLMs 改进工业控制器调优的结构先验
研究人员探索了使用本地部署的开源大型语言模型（LLMs）来改进复杂工业过程控制器（controllers）的调优。传统方法在强耦合多输入多输出（MIMO）系统方面存在困难，而 LLMs 可以提供结构先验，更有效地指导调优过程。研究发现，与传统优化器相比，LLMs 在提出反直觉的结构和以显著更少的评估次数实现最优控制方面表现出色，尤其是在系统复杂性增加的情况下。
-
小米MiMo使用通用GPU将AI推理速度提升至1000 token/秒
小米的MiMo技术团队推出了其模型推理系统的新模式MiMo-V2.5-Pro-UltraSpeed。此次升级在不损害模型能力的情况下，将推理速度显著提升至1000 token/秒。值得注意的是，它仅使用通用GPU即可实现此性能，无需定制硬件。
-
小米在商用GPU上实现1T参数模型每秒1000 token
小米的MiMo团队发布了MiMo-V2.5-Pro-UltraSpeed，这是其1万亿参数模型的全新推理模式，在商用GPU上实现了超过每秒1000 token的吞吐量。这种显著的速度提升归功于FP4量化、DFlash推测解码和TileRT服务系统的结合，无需定制硬件。该公司声称，这一进步将通过实现更快的并行推理、提高编码代理效率和支持实时决策过程来彻底改变AI应用。
-
小米发布MiMo Code AI编程助手
小米MiMo技术团队发布了AI编程助手MiMo Code，标志着其进入Coding Agent领域，并旨在构建“模型+Agent”生态系统。此举标志着小米在消费电子产品之外的AI开发领域进行扩张。该公告发布之际，市场活动广泛，包括主要股指的变动和板块基金流向。
-
小米因硬件模式限制股价暴跌，计划推出新款旗舰手机
小米股价经历了显著波动，最初因其SU7电动轿车的成功而飙升，但随后因其硬件驱动的商业模式面临挑战而下跌。该公司还准备推出新款超高端MIX系列智能手机，该手机将搭载其自研的玄界O3处理器、HyperOS 4操作系统以及一个大语言模型。
-
Cursor Pro+ 对比 Mimo：用户寻求 AI 编码工具升级建议
一位 Reddit 用户正在寻求建议，询问是否应从 Mimo 订阅切换到 Cursor Pro+，并担心这可能是一种降级。他们指出，即使是新的 Minimax M3 模型也难以超越 Mimo，并且成本更高。该用户还分享了他们使用 Claude Opus 的经验，发现其结果不一致但总体有效。
-
新LLM据称在超过100万亿个token上训练
据报道，一个新的大型语言模型正在训练中，其使用的token数量超过100万亿，远超当前模型通常使用的27-50万亿token。如此庞大的数据集规模预示着训练所需的计算资源将大幅增加。该模型可能命名为M3，尽管训练数据庞大，但其参数量据推测将少于5000亿。
-
小米详解MiMo-V2.5 AI模型技术，实现价格下调
小米的MiMo大模型团队详细介绍了其MiMo-V2.5系列API降价背后的技术进步。关键突破包括具有SWA感知前缀树的双池KVCache、GCache分布式缓存、感知KVCache的调度、解码过程中的MTP加速以及多模态推理优化。尽管降价，模型仍保持盈利，并得到“万亿Token创作者激励计划”等举措的支持，该计划已分发超过100万亿个免费Token。
-
新的MIMO框架增强了多语言信息检索能力
研究人员开发了MIMO，一个旨在改进混合语言语料库中多语言信息检索（MLIR）的新框架。与针对多单语环境优化的现有模型不同，MIMO通过使用稳定的英语语义空间作为锚点来解决MLIR中的性能下降问题。该框架采用知识蒸馏和跨语言对比学习的两阶段过程，以增强检索区分度同时保持对齐。
-
小米MiMo AI致力于高效、可及的推理
一款名为MiMo的新AI模型正在开发中，其重点是提高推理效率和降低成本，目标是实现更广泛的可及性。这一发展是AI代理将在两年内编写比人类更多的代码的更广泛趋势的一部分，并可能改变基础设施的优先事项。
-
沃尔沃汽车获美国联网汽车销售批准；小米削减AI模型价格
沃尔沃汽车已获得美国批准，继续在美国进口和销售其联网汽车。此项授权是在逐案审查以及与美国官员就治理、技术和数据安全进行讨论后获得的。另外，小米宣布大幅降低其MiMo大模型API的价格并进行优化。
-
小米 MiMo 大模型 API 价格最高下调 99%
小米的 MiMo 大模型已永久降低其 V2.5 系列的 API 价格，部分降幅高达 99%。该公司还优化了其 Token 计划计费系统，在相同价格下使用量增加了 5-8 倍。这些变化旨在使 MiMo 模型对用户来说更易于访问且更具成本效益。