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转移的对抗性中毒攻击方法，通过注入对抗扰动降低在线接收器在动态信道中的适应能力。实验表明，该攻击显著降低了在线接收器在快速变化场景下的性能。

我们开发了一种利用Gromov-Wasserstein距离的Riemannian框架的实用工具，可用于统计任务和网络数据分析。该工具适用于任意大小和对称性矩阵的空间，并对该空间的切向结构和Fréchet函数的梯度流进行了理论探索。

在分布式大规模多输入多输出 (MIMO) 架构中，研究了试点辅助的上行信道估计问题。采用基于深度学习的信道估计算法，并探索了该算法对接入点中的自动增益控制器 (AGCs) 和比较器引入的附加信号失真的鲁棒性。通过模拟结果表明，该信道估计方法优于传统方法，并对附加损坏具有鲁棒性。

我们提出了一种新的多模态视觉理解框架，通过将文本和视觉提示嵌入到统一的表示空间中，并使用稀疏Transformer架构进行生成建模。实验结果表明，我们的模型在多模态管线中表现出与专门模型和上下文学习基准模型相竞争的性能。

本文提出了一种在大规模多输入多输出系统中的通道状态信息反馈方法。该方法利用矢量量化变分自动编码器框架实现有限位表示的潜在矢量，并通过形状增益的矢量量化减少计算复杂性。通过适当的变换函数，将潜在矢量的幅度用非均匀标量码书量化，同时使用可训练的 Grassmann 码书量化潜在矢量的方向。同时，引入码字选取规则和损失函数设计，开发了一种多速率码书设计策略。仿真结果表明，该方法在给定的反馈开销下，减少了计算复杂性，同时改善了通道状态信息重建性能。

该研究提出了一种基于联合稀疏模式学习的信道估计方案，适用于大规模MIMO OTFS调制辅助系统。通过利用信道的潜在联合稀疏性，将信道估计问题转化为稀疏恢复问题，并采用先验模型迭代估计信道矩阵的支撑集。实验结果表明，该方案在性能上优于现有基准方案。

提出了一种通用自编码器框架来支持不同的输入大小和多个压缩比，与其他方法相比，在压缩比和失真之间提供了可比较的性能，同时显着降低了硬件复杂性。

MIMo是一个用于研究早期认知发展的开源多模态婴儿模型，通过视觉、本体感知和触觉感知来感知环境，并能控制身体。

本研究探讨了Transformer模型，尤其是大型语言模型(LLMs)在上下文中学习新任务的能力。实证结果表明，变压器模型在无监督学习和学习不同任务时接近最优，但在超出预训练数据范围的任务上表现不佳，泛化能力有所下降。研究强调了模型的上下文学习能力与预训练数据的关系。