本期AI广播FM技术频道，我们与技术专家weedge一同深入探讨小米最新发布的MiMo-VL技术报告，解析其强大的视觉理解、多模态推理能力以及创新的训练方法。

本期节目深入探讨了MiMo-7B模型，一个专为推理任务而生的大语言模型。我们讨论了其从预训练到后训练的全方位优化，包括创新的数据处理方法、模型架构设计、以及强化学习策略，揭示了MiMo-7B在数学、代码和通用推理任务上超越同类甚至更大规模模型的卓越表现。

本期节目，我们将深入探讨名为“Atlas”的最新研究，它提出了一种新颖的方法来优化序列模型中的长期记忆。我们将讨论当前模型的局限性以及Atlas如何通过其创新的记忆模块和学习规则来解决这些问题。

本期AI Radio FM科技频道，我们与技术专家weedge一起，深入探讨了Linear-MoE这一创新的大规模模型架构。我们将讨论其核心理念、系统构成、训练效率以及它如何结合线性序列建模（LSM）和专家混合（MoE）的优势，为下一代基础模型带来的潜力与挑战。

本期节目深入探讨了BAGEL模型，这是一个开源的基础模型，通过在万亿级多模态交错数据上进行预训练，展现了在复杂多模态推理方面的惊人新兴能力。我们将讨论其统一理解与生成的设计、数据策略、训练细节以及其在各项基准测试中的卓越表现。

本期播客将深入探讨LoRA（Low-Rank Adaptation）技术，一种用于高效适应大型语言模型的新方法。我们将讨论LoRA如何解决全量微调的挑战，其核心原理、显著优势以及在各种模型和任务上的表现。

本期播客将深入探讨微软最新发布的Phi-4-reasoning和Phi-4-reasoning-plus技术报告。我们将讨论这些140亿参数模型的训练方法、卓越性能、数据管理策略以及它们在复杂推理任务中的应用前景和面临的挑战。

本期播客深入探讨了微软的研究论文“Phi-4-Mini-Reasoning：探索小型推理语言模型在数学领域的极限”。我们讨论了如何通过一个创新的四步训练方法，使一个仅有38亿参数的小型语言模型 Phi-4-Mini 在数学推理任务上超越更大的模型。

本期节目，我们深入剖析微软最新推出的紧凑型多模态语言模型 Phi-4-Mini 和 Phi-4-Multimodal。我们将探讨它们的创新架构、训练数据、卓越性能以及“混合LoRA”技术的奥秘，以及它们在语言、视觉、语音和音频处理方面的突破。

本期播客深入探讨一篇关于神经网络量化方案的论文，该方案允许仅使用整数算术进行推理，从而在移动设备上实现更高效的深度学习模型。我们将讨论其核心技术、训练方法以及在图像分类和目标检测等任务上的显著性能提升。