无线基础模型相关 AI 资讯 · AITOP · AI热报

8月6日

11:47

11:47

官方账号arXiv cs.LG@Blessed Guda, Kayley Sze, Carlee Joe-Wong

MultiPathFormer将每个收发链路表示为连续路径令牌的有序序列，采用自回归下一路径预测进行预训练。它引入环境RAG机制和首路径码本，使时延和功率等路径统计估计提升最高59%。模型在27个环境中预训练，可迁移到未见用户，经场景微调后在新环境中优于从零训练。在下游任务中，MultiPathFormer实现5.57米平均定位误差、0.914前3波束准确率、0.994视距分类准确率和0.561信道估计NMSE，全面超越现有基于信道的模型。

AI模型 MultiPathFormer 无线基础模型 RAG

推荐理由：想做无线信道估计或波束预测的可以看看，它用路径预测代替传统掩码重建，环境RAG让延迟估计直接涨59%，效果比现有模型好。

7月29日

09:59

09:59

官方账号arXiv cs.LG@Madi Makin, Asmaa Abdallah, Abdulkadir Celik, Ahmed M. Eltawil

WALoMA是一种针对6G无线物理层的多任务基础模型，采用掩码自编码器（MAE）范式从未标记信道数据中学习。它使用2D位置编码保留天线与子载波间空间频率关系，并通过低秩适应（LoRA）实现参数高效微调。在五个下游任务中，WALoMA分别达到96.47%（LoS/NLoS分类）、80.45%（波束预测）、85.78%（信道插值）、99.12%（信道估计）和77.18%（信道映射）。其复合分数87.80%，大幅超越大无线模型（LWM）的59.90%，且仅训练14.68%的总参数。即使在标注数据极端稀缺条件下仍保持强性能。

论文 WALoMA 6G LoRA

推荐理由：这篇论文搞了个WALoMA，能用一个模型处理6G多个无线任务，只用少量标注数据就拿到87.8%的平均分，比LWM高了近28个百分点，参数只训练了14%。