3rd Generation Partnership Project
PulseAugur coverage of 3rd Generation Partnership Project — every cluster mentioning 3rd Generation Partnership Project across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
发布面向支持RIS的5G网络之外的新基准数据集
研究人员发布了一个专为5G网络之外的可重构智能表面（RIS）设计的新基准数据集。该数据集符合3GPP标准，解决了RIS辅助无线环境缺乏高保真开源数据的问题。它包括全面的信道状态信息、最优相位配置和信道质量指标标签，以支持各种机器学习任务，如相位优化和信道估计。
-
轻量级 LLM 在 5G 故障分析方面进行评估，Gemini-3.1-Flash-Lite 在效率方面领先
一篇新的研究论文评估了轻量级 LLM 在理解 5G 领域知识和执行故障分析方面的能力。该研究使用“LLM 作为裁判”的方法，在自由文本诊断任务上评估了 Claude-Haiku-4.5、GPT-5.4-Mini 和 Gemini-3.1-Flash-Lite 等模型。虽然所有模型在故障诊断方面的准确率都超过 90%，但它们在回忆具体的 3GPP 和 O-RAN 规范方面遇到了困难。由于其准确性、低推理成本和延迟的平衡，Gemini-3…
-
为未来6G网络管理提出自生式AI
一篇新的研究论文提出将“自生式网络管理”作为未来6G网络代理式AI的扩展。该架构旨在使管理系统在运行过程中能够生成和演进自身的自动化软件，超越当前基于代理的方法。该论文概述了一个分阶段的部署策略，从人工监督的AI代理开始，逐步发展到完全自主运行，并针对实际运营商场景进行了阐述，同时为其实施勾勒了研究路线图。
-
TelcoAgent 框架通过可解释 AI 增强 5G 网络预测
研究人员开发了 TelcoAgent，一个旨在改进 5G 及未来电信网络关键绩效测量 (KPM) 预测的新框架。该基于基础模型的系统解决了当前机器学习方法在可扩展性和可解释性方面的局限性。TelcoAgent 采用三代理管道从 3GPP 规范构建知识图谱，利用时间序列基础模型进行零样本预测，并包含一个用于可操作诊断的推理管道。该框架在真实 5G 数据集上进行了测试，在多个 KPM 上展示了高准确性，并为网络问题解决提供了可解释的见解。
-
新的机器学习框架 AUGUSTE 削减 5G URLLC 调度延迟
研究人员开发了 AUGUSTE，一个新颖的机器学习框架，旨在提高 5G 超可靠低延迟通信 (URLLC) 调度的效率。该系统将在线机器学习模型嵌入到媒体访问控制调度器中，以预测数据包到达并主动分配资源，从而降低延迟。AUGUSTE 实现的平均往返时间约为 10 毫秒，与始终在线调度相当，同时使用的资源开销显著减少。
-
基础模型在疾病预测和射频损耗分类方面展现出潜力
研究人员评估了 Tabular Pre-Trained Foundation Network (TabPFN) 在预测轻度认知障碍向阿尔茨海默病转化方面的能力，发现在数据受限的情况下，其性能优于传统的机器学习模型。在另一项独立研究中，开发了一个结合众包用户设备数据和公共建筑信息的机器学习框架，用于对射频建筑损耗进行分类，为传统的测量方法提供了一种实用的替代方案。该框架在室外到室内和室内到室内的信号损耗预测准确性和置信度方面均有所提高。