MIMO
PulseAugur coverage of MIMO — every cluster mentioning MIMO across labs, papers, and developer communities, ranked by signal.
- developed alphaXiv 90%
- developed 6G 90%
- developed Gotit.pub 90%
- developed by Gotit.pub 90%
- used by 6G 80%
- developed by alphaXiv 70%
- developed ScienceCast 70%
- developed CatalyzeX 70%
- used by Channel state information 70%
- developed by Channel state information 70%
- affiliated with 6G 60%
- used by alphaXiv 60%
- 2026-09-16 product_launch Xiaomi has released MIMO 2.6, a new version of its large language model training dashboard. 来源
- 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
10 天有情绪数据
-
Diffusion Model Enhances MIMO Channel Estimation with LSTM Conditioning
研究人员开发了一种新颖的用于MIMO信道估计的扩散模型，利用长短期记忆（LSTM）网络捕捉时间动态。该模型在角度域运行，并包含一个可学习的SNR门控捷径，以在不同信噪比下平衡观测保真度和生成先验。为了优化推理速度，该框架采用了确定性去噪扩散隐式模型（DDIM）方法，并具有自适应步长分配，在保持低延迟的同时，展示了优于现有方法的持续性能提升。
-
自适应MoE Swin Transformer增强无线图像传输
研究人员开发了一种新颖的自适应语义通信系统，用于无线图像传输，该系统在Swin Transformer架构中利用了混合专家（MoE）机制。该系统通过同时考虑图像内容和实时信道条件，将图像数据动态路由到专门的专家，克服了先前单一驱动路由方法的局限性。仿真结果表明，与现有方法相比，图像重建质量和传输效率得到了显著提高。
-
开发者将更便宜的AI模型作为子代理集成到Claude Code中
开发者正在探索将更便宜、更快的第三方AI模型与Anthropic的Claude等更强大的模型一起集成的方法，以管理成本和token使用量。一种方法是创建一个本地代理，使这些外部模型在Claude Code环境中显示为子代理。这使得Claude可以将简单的任务委托给这些更便宜的模型，而将其高级推理能力保留给更复杂的任务，从而优化资源利用率和成本效益。
-
关于人工智能批评与反人工智能激进主义的争论爆发
讨论围绕着人工智能批评是否构成真正的批判，还是仅仅是反人工智能的激进主义展开。对话触及了人工智能发展的细微之处及其社会影响。
-
新研究探索通过射频广播和稀疏性技术实现高效LLM推理
研究人员正在开发新颖的方法来提高大型语言模型（LLM）推理的效率。一种方法AIR-LLM提出通过射频广播LLM权重，使边缘设备无需存储权重即可进行推理，从而显著降低能耗和通信时长。其他研究则侧重于通过稀疏性技术优化推理，例如SparseEngine和TopK-Guided，它们通过选择性地处理模型的一部分来降低内存和计算成本。此外，正在开发MINCE和evalstats等新框架，通过缩小数据集和提高LLM评判分数统计分析的可靠性来简化LLM评估。
-
Xiaomi unveils MiMo 2.6 live training dashboard
Xiaomi 发布了 MiMo 2.6，这是一个提供模型开发实时洞察的直播训练仪表板。该仪表板可通过公共链接访问，允许用户实时观察训练过程。此版本提供了对 Xiaomi 人工智能模型开发内部运作的透明视图。
-
小米推出HyperOS 4 Beta版，带来新AI功能和设计
小米已正式发布其HyperOS 4操作系统的beta版本，首批面向小米17和小米17 Ultra机型推出。此次更新引入了一种名为“柔光玻璃”的全新视觉设计，该设计具有透明的玻璃状图层和景深效果。该操作系统还通过Super XiaoAI 2.0增强了AI功能，提供实时语音翻译、会议摘要和AI驱动的文本重写。
-
小米发布万亿参数MiMo大模型家族，权重开放
小米发布了其MiMo大语言模型家族，最新版本MiMo-V2.5-Pro拥有万亿参数。这些模型以其MIT许可下的开放权重状态和原生的全模态能力而闻名，能够处理文本、图像、视频和音频。MiMo-V2.5-Pro采用了稀疏专家混合架构，在总计1.02万亿参数中，每个token有420亿活跃参数，并支持高达100万token的上下文窗口。
-
路由器为何配备多天线：MIMO、波束成形和MU-MIMO解析
路由器配备多天线的设计选择是由技术进步驱动的，而非单纯的营销策略。MIMO（多输入多输出）等技术利用这些天线实现空间复用，从而支持更多数据流并提高速度。此外，多天线还有助于波束成形，将Wi-Fi信号直接聚焦到连接的设备上，以及MU-MIMO，实现与多个设备的同步通信。虽然更多的天线可以提高信号分集和可靠性，但对于普通家庭用户而言，八个天线这样的数量通常是过多的，两到四个天线通常就足够了。
-
新框架通过MIMO模型扩展增强了迭代音频分离
研究人员开发了一个新的迭代音频分离框架，将现有模型扩展到多输入多输出（MIMO）配置。这种方法旨在保持混合一致性，这对于需要精确相位和音色信息的应用至关重要。该框架允许迭代预测，而不会牺牲架构优势或混合一致性特征。实验表明，将其应用于当前最先进的分离模型时，性能有显著提升。
-
小米XRing O3 SoC进入大规模生产，推动端侧AI发展
小米已启动其XRing O3系统级芯片的大规模生产，使其MiMo人工智能模型能够直接在设备上运行。该公司还在开发O100人工智能加速器和D100智能驾驶芯片，并计划于2027年上半年进行商业部署。这一战略扩展了小米在自主芯片开发和端侧人工智能能力方面的投入。
-
集成语言服务器协议（LSP）的编码代理性能表现不一
一位开发者探讨了将语言服务器协议（LSP）集成到编码代理（特别是Pi代理）中是否能提高其性能。该开发者修改了他们的评估工具，通过Agent Shell管理代理功能，包括LSP扩展。测试在Muse Spark、Luna和MiMo三个模型上进行，比较了集成LSP前后的性能。结果大体上没有定论，得分和令牌使用量受到混合影响，这表明集成LSP并未持续提升编码代理的能力。
-
新的BeamRMX框架预测6G无线波束无线电地图
研究人员开发了BeamRMX，一个新颖的框架，旨在预测6G无线网络的波束无线电地图。该系统通过将空间辐射模式作为主要查询，解决了从单一传播场景生成多个依赖于配置的波束无线电地图的挑战。实验表明，与现有方法相比，在准确性和泛化性方面有了显著提高，在未见过的场景和配置上的平均绝对误差大幅降低。
-
新AI工具利用LiDAR合成高分辨率3D雷达数据
研究人员开发了mmIR，一个开源工具，通过采用逆渲染技术合成高分辨率3D雷达数据。该方法利用LiDAR衍生的网格来指导雷达物理材料和天线波束模式的优化，解决了详细3D雷达数据集稀缺的问题。mmIR在距离-方位角图上实现了显著更高的相关性，并能够从密集虚拟阵列生成经过验证的3D占用数据，其性能优于现有方法。
-
小米发布玄界O100 AI终端原型机
小米总裁陆柒柒展示了玄界O100的原型机，这是一款端侧AI终端。该设备取消了后置摄像头，采用了双芯片计算和主动风冷设计。它能够以大约每秒295个token的速度运行MiMo。
-
新型隐形模型 Ox Alpha 出现，与 GLM 和 MIMO 对比
一款名为 Ox Alpha 的新型隐形模型已经出现，Reddit 上的讨论推测其起源和能力。用户将其与现有的 GLM5 Air 和 Mimo V3 等模型进行比较，一些人认为它可能是通用语言模型 (GLM) 或 MIMO 技术的新迭代或与之相关。该模型被描述为一个前沿模型，旨在实现高效编码、持续的代理工作和生产用途，拥有 100 万个 token 的上下文窗口以及支持文本、图像和视频的多模态输入能力。
-
新的张量分解方法改进了6G的MIMO信道估计
研究人员开发了一种用于导频受限MIMO信道的新型混合估计器，这对于接近6G的宽带系统至关重要。该方法将信道估计构建为低秩张量补全问题，利用稀疏导频观测。该方法比较了CP（Canonical Polyadic）和Tucker分解，发现CP对于镜面反射信道有效，而Tucker在极端导频稀缺情况下更稳定。集成了3D U-Net来学习残差分量，补偿漫散射和硬件缺陷。
-
OpenRouter替代品：TokenPAPA在中文大模型方面领先，Groq在速度方面领先
多个平台提供了访问大语言模型的OpenRouter替代方案，各有优势。TokenPAPA因其以有竞争力的价格访问DeepSeek V4 Flash和Mimo V2.5等中文大模型，以及简化的注册流程而受到关注。DeepInfra被认为是开源模型经济实惠的选择，而Together AI则提供更全面但价格更高的全栈解决方案，包括微调。Groq凭借其LPU硬件专注于速度，适用于延迟敏感的应用，而Fireworks AI则提供了快速服务和微调能力的结合。
-
新的学习-迁移框架增强MIMO检测
研究人员开发了一种新颖的学习-迁移（L2T）框架，以改进通信系统中的多输入多输出（MIMO）检测。该框架将MIMO检测建模为一系列迁移，利用Transformer更新嵌入和采样策略，同时捕捉流间依赖关系。该方法包括硬输出和软输出检测策略，其中后者利用绑定-解绑迁移机制进行迭代检测和解码。
-
基于AI的接收机提升MIMO-OFDM系统的频谱效率
研究人员开发了一个新的框架，用于优化MIMO-OFDM系统中叠加数据和参考符号传输的功率分配和基于AI的接收机设计。所提出的AI-ICED接收机利用Transformer编码器，通过迭代地集成信道估计和检测来提高频谱效率。仿真结果表明，与使用非重叠符号的传统方法相比，该方法提高了频谱效率。