近日,连接和电源解决方案供应商Qorvo®(纳斯达克代码:QRVO)推出两款先进的射频组件,专为满足5G大规模多输入多输出(mMIMO)和固定无线接入(FWA)部署中对更高性能、更高集成度和更紧凑射频设计的需求而量身定制。

Qorvo无线基础设施业务部总监Debbie Gibson表示:“随着5G网络规模的扩大,我们的客户正面临着缩小射频尺寸、优化散热性能以及简化设计的多重压力。凭借我们高效的前置驱动器技术与紧凑型高抑制比BAW滤波器,Qorvo可提供高可靠性的射频基础组件,进而助力客户实现高性能mMIMO、FWA及其他5G应用。”
QPQ3550是一款紧凑型高性能BAW滤波器。该产品在3.55–3.7 GHz CBRS频段运行,适用于用户端设备(CPE)、固定无线接入(FWA)节点、小型蜂窝基站以及支持下一代宽带平台的多频段无线系统。随着固定无线接入应用需求的持续增长,QPQ3550作为一款即插即用解决方案,可凭借业界领先的性能与紧凑型设计,加速5G大规模部署。该产品采用Qorvo的多代体声波(BAW)技术,具有卓越的插入损耗、出色的功率处理能力和更优异的热可靠性。
QPQ3550技术要点:
|
参数 |
数值 |
|
频率范围 |
3.55 – 3.70 GHz(CBRS频段) |
|
插入损耗 |
< 2 dB(最大) |
|
回波损耗 |
> 15 dB |
|
群时延 |
< 40 ns(最大) |
|
输入功率承载能力 |
30 dBm |
|
封装 |
2.0 x 1.6 mm层压封装 |
|
工作温度 |
–40°C - +85°C |
QPA9862是一款宽带高效预驱动放大器,专为5G mMIMO无线系统设计,可支持32T和64T基站架构。其具有出色的功率效率、宽瞬时信号带宽和紧凑的集成设计,能够帮助设备制造商满足不断发展的5G无线系统要求。QPA9862基于Qorvo在射频系统技术的深厚积累,体现了Qorvo致力于开发高性能射频系统解决方案,并满足下一代基础设施功率、带宽和热性能挑战的承诺。
QPA9862技术要点:
|
参数 |
数值 |
|
频率范围 |
3.3 – 4.2 GHz (n77) |
|
增益 |
38 dB |
|
输出功率(P1dB) |
> 27 dBm |
|
瞬时带宽 |
400 – 600 MHz |
|
邻信道功率比 |
< –40 dBc @ 17 dBm (100 MHz NR) |
|
静态电流(lcq) |
110 mA |
|
封装 |
3.0 x 3.0 mm LGA封装 |
|
工作温度 |
–40°C - +115°C |
目前,这两款新品已向战略客户提供样品。如需了解更多关于Qorvo丰富的网络基础设施解决方案系列,请访问Qorvo官网的网络基础设施页面。
关于 Qorvo
Qorvo(纳斯达克代码:QRVO)提供各种创新半导体解决方案,致力于让我们的世界更美好。我们结合产品和领先的技术优势、以系统级专业知识和全球性的制造规模,快速解决客户最复杂的技术难题。Qorvo面向全球多个快速增长的细分市场提供解决方案,包括汽车、消费电子、国防/航空航天、工业/企业、基础设施以及移动设备。
访问cn.qorvo.com,了解我们多元化的创新团队如何连接地球万物,提供无微不至的保护和源源不断的动力。
更多新闻,请登录Qorvo新闻中心:https://cn.qorvo.com/newsroom/news
好文章,需要你的鼓励
这项由IIT马德拉斯与BITS Pilani联合发布的研究(arXiv:2604.21523,2026年4月)构建了FOCUS元评估基准,系统检验了评审型视觉语言大模型的可靠性。通过向超过4000个图文和图像样本中注入40种受控错误,研究发现顶尖评审AI的检测失败率在某些条件下超过50%,物理合理性和视觉细节类错误尤为难以被发现,两两比较是最可靠的评审范式。
这篇由Sylph.AI发布的技术报告提出了一套两层自动化框架,核心思想是让AI自动优化自身的运行脚手架,再进一步让AI学会如何更高效地做这种优化。内层的脚手架进化循环通过工人代理、评估代理和进化代理的协作,自动迭代改进单个任务的运行配置;外层的元进化循环则在多个任务上训练,学习一套能快速适应任何新场景的通用进化蓝图,从而彻底消除人工脚手架工程的需求。
这篇由英伟达等顶尖机构联合发表的论文提出了一种名为Voyager的新型智能体。研究团队以《我的世界》为实验平台,通过引入自动课程规划、技能库存储以及迭代反馈机制,成功让大语言模型主导的AI在完全无人类干预的情况下,实现了在复杂开放世界中的自主探索与终身学习。实验数据表明,Voyager在物品收集、探索范围及技能解锁速度上均呈现出远超传统方法的压倒性优势,为未来开发能够自主解决真实物理世界复杂任务的通用人工智能奠定了关键的理论与实践基础。
这项由伊利诺伊大学、斯坦福大学、英伟达和麻省理工学院联合发布的研究(arXiv:2604.25917,2026年4月)提出了RecursiveMAS框架,让多个异构AI模型通过轻量级模块RecursiveLink在内部信号层面直接传递"潜在思想",形成循环协作,彻底绕开了传统多AI系统依靠文字传话的低效方式。配合两阶段内外循环训练策略,整个系统只需优化极少量参数,就能在数学、科学、代码生成和搜索问答等9个基准测试上取得平均8.3%的精度提升,同时实现最高2.4倍推理加速和75.6%的token用量削减。