在终端穿戴场景中，往往涉及到用户和终端设备之间的语音交互，通常由用户唤醒相关的设备并进行语音命令控制设备完成相应的操作，设备在收到语音命令时会对用户的意图进行识别，例如识别“拍照”“摄像”等意图，从而进行对应的操作。在 PyCharm 中（或者说在任何标准的 Python 3 环境下）运行 mp.items()，它返回的并不是一个列表（List），而是一个特殊的内置对象类型：dict_items（

在生成式人工智能（Artificial Intelligence, AI）技术与算法进步的推动下，人工智能生成内容（AI-Generated Content, AIGC）得到广泛采用，使多样化、高质量内容的生成成为可能。尤其是，基于扩散模型的 AIGC 技术已被广泛用于生成多种模态的内容。然而，在现实世界中部署 AIGC 模型，特别是在手机等资源受限设备上部署，会带来与能耗和隐私顾虑相关的重大挑战

端侧推理具有保护隐私、支持离线使用和即时响应等优势，但消费级硬件会限制大语言模型（Large Language Model, LLM）的推理吞吐率与模型能力。为此，我们提出面向消费级家庭集群的分布式端侧推理系统prima.cpp。该系统可利用混合 CPU/GPU，在 RAM/VRAM 不足、磁盘速度较慢、通过 Wi‑Fi 连接且操作系统各异的设备上运行 30–70B LLM。概念说明系统专门针对家

由于 WiFi 接入点（Access Point, AP）广泛存在，基于 WiFi 的室内定位受到了广泛关注。基于信号处理的方法能够达到分米级定位精度，但其性能受到 WiFi 系统有限空间分辨率的限制，尤其在强干扰的复杂环境中更为明显。相比之下，基于深度学习的方法即使在复杂环境中也取得了令人印象深刻的性能，但它们往往难以泛化到新环境。本文提出一种用于 WiFi 室内定位的域不变模型学习框架，使模型

无线系统中的通感一体化（Integrated Sensing and Communication, ISAC）已经成为一种很有前景的范式，它有潜力提升系统性能、提高资源利用效率，并促成雷达感知与无线通信之间的互利交互，从而塑造未来无线技术的发展方向。本文提出两种新方法，用于解决双基地 ISAC 系统中的联合到达角（Angle of Arrival, AoA）和离开角（Angle of Depart

作者：Chang Zhu，Kui Xiong，Yutao Xiang，Zhongyi Wen，Wei Zhang，Huaizong ShaoDOI：10.1109/TSP.2026.3665693多功能相控阵雷达（Multi-Function Phased Array Radar, MFPAR）的感知是现代电子侦察系统的基础。然而，当前对 MFPAR 进行感知与估计的方法主要依赖脉冲描述字（Pul

Fig. 8 给出了一个示例，展示了在 CDL-D 模型下，针对单目标场景，使用所提出方案生成的散射簇三维位置，其中每个散射簇包含三个散射体。在确定真实目标峰值时，首先排除距离很小的目标峰，因为这些峰可以确定为由散射簇产生的鬼影目标峰。：在确定 CDL-E 信道模型中散射簇的三维位置后，本文开展雷达感知仿真，以验证多径条件对 ISAC 系统雷达感知性能的影响。对于更加实际的场景，可以采用 Swer

感知通信一体化（Integrated Sensing and Communication, ISAC）技术通过共享频谱与硬件资源，已经被广泛认为是未来第六代（Sixth-Generation, 6G）无线网络中的关键技术。ISAC 信道建模研究支撑着技术演进和系统性能评估。因此，本文面向 6G ISAC 系统，提出一种结合环境散射簇的全新 ISAC 信道模型框架。首先，为考虑感知信道与通信信道之间

由于 WiFi 接入点（Access Point, AP）广泛存在，基于 WiFi 的室内定位受到了广泛关注。基于信号处理的方法能够达到分米级定位精度，但其性能受到 WiFi 系统有限空间分辨率的限制，尤其在强干扰的复杂环境中更为明显。相比之下，基于深度学习的方法即使在复杂环境中也取得了令人印象深刻的性能，但它们往往难以泛化到新环境。本文提出一种用于 WiFi 室内定位的域不变模型学习框架，使模型

张量列（Tensor Train, TT）分解作为一种高效压缩高维张量数据的流行工具，被广泛应用于机器学习和量子物理领域。在本文中，我们提出了一种高效算法，通过依赖精确杠杆得分采样（exact leverage scores sampling）的交替最小二乘（Alternating Least Squares, ALS）算法来加速计算 TT 分解。