小米宣布自2026年5月27日起下调MiMo-V2.5模型的API调用价格，取消256K/1M长度定价区分，新的计费方式为信用点模式，同时Token Plan订阅计划的用量大幅提升。

本文对四款国产大模型（GLM 5.1、Kimi K2.6、Mimo v2.5 Pro 和 DeepSeek V4 Pro）的编码能力进行了实测。结果显示，这些模型在短链路和简单任务中表现良好，但在复杂工程中容易出现上下文丢失和逻辑错误。尽管能够生成代码，但在高风险模块上仍需人工审核以确保安全性和准确性。总体而言，国产模型可作为辅助工具，但不应完全依赖。

Tejas Networks与NEC Corporation签署协议，合作制造和供应5G大规模MIMO无线电，旨在深化合作并实现供应链多元化。

小米MiMo团队推出HySparse混合稀疏注意力架构，显著降低KV Cache的存储和计算开销，提升超长上下文建模效率。通过将“选择”和“缓存”交给Full Attention层，HySparse实现了高效的长距离信息访问，实验结果显示其在多项任务中表现优异。

本研究提出了MiMo-7B模型，通过优化预训练和后训练阶段，显著提升了推理能力和任务性能，超越了更大模型。

本文提出了一种基于深度学习的上行辅助联合信道估计和CSI反馈方法，旨在提高频分双工MIMO无线通信系统中下行信道状态信息的获取准确性。

本研究解决了大规模MIMO系统中信道状态信息预测的关键问题。提出了一种名为BERT4MIMO的基础模型，利用深度学习和注意力机制，能够在不同的移动场景和信道条件下有效重构CSI。实验结果表明，该模型在各种无线环境中具有优越的性能，能够显著提升通信系统的效率。

本研究提出了一种基于递归神经网络（RNN）的方法，以提升多输入多输出（MIMO）接收处理中的性能，结合领域知识改善MIMO-OFDM符号检测性能，为未来系统设计提供基础。

本文探讨了无线通信中的对抗性攻击及其防御方法，强调深度学习在信号处理中的应用面临的攻击风险，特别是功率分配和调制方案的攻击。提出了动态防御系统和通用对抗扰动（UAP）方法，以增强通信系统的安全性和鲁棒性。

本文探讨了将压缩传感和矩阵补全方法与健壮谱聚类结合，以解决多类聚类问题。研究提出了一种低复杂度的子空间聚类算法，适用于高维噪声数据，并分析了动态随机块模型下的谱聚类算法，提出了改进的稀疏性和平滑度关系描述，研究了高斯协方差估计及其在谱聚类中的应用。

该论文研究了深度学习在大规模MIMO系统中信道估计的应用，提出多种算法以提升信道估计性能，尤其是在低位模数转换器条件下。研究表明，这些方法利用信道稀疏性和深度神经网络，在不同条件下均优于传统技术，具有更高的频谱效率和更低的计算成本。

本文介绍了一种基于正交频分复用（OFDM）的数字化无线计算（AirComp）系统，适用于多个边缘设备同时传输模型数据。研究了在无线多输入多输出（MIMO）系统中部署联邦学习（FL）的性能优化，提出了结合数字调制和AirComp的算法，以提高通信效率并降低能耗。同时，探讨了隐私保护和模型聚合误差的问题，并提出了动态功率控制方案以增强模型性能。

本文探讨了多输入多输出均衡问题及其在上下文学习中的应用，提出了基于Transformer的ICL模型，展示了其在多模态学习和文本分类任务中的优势。研究表明，通过引入新的学习策略和模块，显著提升了模型性能，为多模态上下文学习提供了有效解决方案。