一座城市里，大量位置从未被真正测量过。 
AI能否仅凭有限的现网观测， 
推断那些“看不见”的无线空间？ 
一座基站还没有建设， 
一组天线参数还没有下发。 
AI能否在真实网络发生改变之前， 
先推演改变之后的覆盖和无线环境？ 
这两个问题， 
正在成为下一代网络智能的关键。

近日，由深圳河套学院科学与工程智能中心张纵辉教授领衔的项目团队，联合深圳市大数据研究院、香港中文大学（深圳）、中山大学和华为技术有限公司，提出ChaRT（Chameleon Radio Transformer）。相关论文《A Foundation Model for Large-Scale Wireless Network Planning, Operation and Optimization》已公开于arXiv。

据团队对相关工作的梳理，ChaRT是首个在真实、城市级现网测量报告数据上完成预训练和评估的无线基座模型。它希望让AI不再只是分析“已经测到的网络”，而是进一步学习城市无线环境背后的规律：补全尚未观测的无线空间，并推演网络配置发生改变之后可能出现的状态。

核心数据

● 10亿+条真实现网MR

● 80%观测遮挡下仍可推断

● 20个城市已落地

● 千万用户体验改善30%

01从真实城市网络中，学习无线世界

今天的城市移动网络，是一个由建筑遮挡、道路结构、天线配置、频段、用户分布以及多小区干扰共同塑造的复杂系统。

传统网络规划和优化，往往依赖路测、工程经验或者射线追踪。射线追踪能够提供较强的物理解释，但需要精细的三维城市模型、材料参数和大量校准；传统机器学习则通常围绕某一个具体任务训练，换一个城市、频段或者网络问题，就可能需要重新采集数据、重新训练。

ChaRT选择了一条不同的路线：直接从真实运营网络中学习无线规律。

模型以真实5G网络持续产生的Measurement Report（MR）作为训练数据，无需为了模型训练额外开展大规模专项测量。在预训练城市中，ChaRT使用了超过10亿条现网MR、182亿条波束级观测，覆盖3503个小区和两个主要商用频段。

为了检验模型究竟是在“记忆”一个城市，还是学习到了可以迁移的无线规律，评估还专门使用了未参与预训练的城市和频段，三座城市共覆盖3799个小区和三个频段。

因此，10亿条MR真正重要的并不是“大”。更重要的是：AI开始在真实城市尺度上，学习一个可以跨区域迁移的无线环境模型。

图1 从真实现网测量报告到网络智能任务的ChaRT总体框架

02 能力一：把“没有测到的无线空间”补出来

真实网络的观测天然是不完整的。用户不会均匀分布在城市每一个位置，网络测量也不可能覆盖每一个空间点。部分波束没有观测，甚至整个目标小区都可能缺少测量数据。

传统方法看到的，是一个充满空白的无线空间。ChaRT则试图利用已经观测到的邻区信号、基站配置和空间关系，推断那些没有被直接测量的部分。

在跨城市零样本测试中，即使80%的观测被遮挡，ChaRT的波束级MAE仍达到4.32dB，相比XGBoost降低25%；小区级MAE达到5.61dB，相比XGBoost降低34%。

过去我们更多是在问：“这里实际测到了多少信号？”而现在开始能够问：“即使这里没有被测量，根据整个网络环境，它应该是什么样？”

这一步，本质上是在从稀疏、局部的现实观测中，重建一个更完整的无线空间。

图2 上下文自蒸馏结合多粒度遮挡与信道模型约束增强

03 能力二：先在模型里改变网络，再决定是否改变真实网络

如果说空间补全，是推断一个已经存在、但没有被测到的世界，那么ChaRT更进一步的能力，是开始推演一个现实中还没有发生的网络状态。

比如，一座新基站还没有建设。过去，要准确知道它建成之后的覆盖效果，通常需要依赖仿真，或者等站点真正部署之后再验证。

ChaRT则可以把未来新站的全部波束作为查询，仅利用周围邻区的信息和目标站点配置，预测这个“现实中还不存在的站”可能形成怎样的无线覆盖。在新站测试中，ChaRT的预测R²达到0.55，相比传统学习模型接近翻倍；即使面对预训练阶段从未见过的城市，新建站点的波束预测MAE仍达到5.28dB。

同样的思路还可以用于网络参数调整。如果改变机械方位角、机械下倾角、发射功率、电下倾角或者波束码本，网络会变成什么样？这些参数可以先不真正下发，而是作为一个“假设条件”交给模型，让AI先推演结果。

在真实网络不同参数调整轮次的数据上，ChaRT对五类配置变化的预测R²达到0.60~0.80，而最强基线为0.37~0.48。

这意味着网络优化开始出现一种新的可能：先在模型里试，再到真实网络中做。真实网络，不必永远成为第一个试验场。

图3 跨城市新站无线电地图对比ChaRT的预测更接近真实覆盖

04 为什么ChaRT不是“把Transformer搬到无线网络”

如果只是把更多数据送进一个更大的神经网络，很难真正学到能够跨城市、跨频段迁移的无线规律。ChaRT的一个核心设计思想，是让无线世界的物理结构进入模型本身。

在ChaRT中，一个无线token不只是一个信号强度数字。真实波束方向图、相对小区位置、发射功率、载波波长、部署属性和RSRP会被共同编码，使模型看到的“波束”具有真实的物理含义，而不是一个抽象编号。

Attention也遵循无线网络真实的层级结构：模型先学习同一小区内部不同波束之间的关系，再将波束信息汇聚成小区表示，进一步学习多个小区之间的空间依赖。混合专家模块则通过通道结构和主传播方向，引导不同专家学习具有不同方向性和传播特征的无线结构。

换句话说：无线物理不是附加给AI的几个输入特征，而是被写进了模型的表示、注意力结构和专家分工之中。

ChaRT想学习的不是一个任务的经验，而是无线环境本身的结构。

图4 分层掩码注意力先建模小区内波束关系 再学习小区间空间依赖

05 从“一项任务一个模型”，走向“一个模型理解整张网络”

过去的无线AI，往往是一种典型的“任务型AI”：无线电地图一个模型，新站预测一个模型，用户定位一个模型，波束预测又是另一个模型。

ChaRT尝试把这些原本分散的问题放到同一个无线环境表示中。无线电地图构建、新站覆盖预测和参数调整，可以被统一理解为：在不同条件下，对同一个无线世界提出不同的问题。

而定位、波束预测、传播场景识别、SINR估计等任务，则可以冻结ChaRT的主体网络，只训练轻量任务头。仅使用目标城市1%的标注数据，用户定位误差便可以从零样本条件下的111.0米下降到62.9米；最强波束Top-1准确率达到75.4%，视距/非视距分类宏平均F1达到83.0%，SINR估计MAE降至2.48dB。

这意味着无线AI正在从“一个问题，训练一个模型”，逐渐走向“一个模型，形成对整张网络的共享理解”。

这才是“无线基座模型”真正重要的意义。

图5 冻结ChaRT骨干网络并训练轻量任务头即可适配多类现网任务

06 从实验室走向真实网络：模型开始产生业务价值

一个无线世界模型是否真正有价值，最终还要回到真实网络。截至2026年，ChaRT已在上海、长沙、南京等20个城市的真实运营网络中落地应用，服务千万级用户。

依托对真实网络测量报告的持续学习，ChaRT能够在基站建设、天线参数下发和网络方案实施之前，对覆盖效果及无线环境变化进行预测与评估，支撑网络规划、优化和运维的智能化决策。实践表明，ChaRT可改善用户网络体验20%~30%，推动无线网络从依赖经验的“事后优化”，走向数据驱动的“事前预演”。

2027年，ChaRT计划进一步拓展至泰国、印度尼西亚等海外市场。随着城市级无线基座模型在更多网络环境中的规模化复制，预计将带来6亿元收入，持续释放无线智能化技术在运营商网络建设、优化与运维中的商业价值。

07 从Foundation Model，迈向Wireless World Model

世界模型的价值，并不仅仅是预测“下一秒会发生什么”。更重要的是，一个模型能够形成对环境的内部表示，并回答两个问题：那些没有直接被观察到的部分，是什么？如果对这个环境施加一个新的条件或者动作，它会变成什么？

从这个角度看，ChaRT已经展现出了无线世界模型的一些关键能力：一方面，它能够从有限观测中恢复未被测量的无线空间；另一方面，它能够在新站建设、参数调整等条件变化之后，对新的无线环境进行反事实推演。

因此，ChaRT更值得关注的意义，或许并不只在于它是一项新的无线预测算法。它背后指向的是一个更大的变化：复杂通信网络，也开始成为AI能够学习、重建和推演的真实世界。

机器人需要一个模型理解物理世界，自动驾驶需要一个模型理解道路世界，而未来更加自主的移动网络，同样需要一个模型理解自己的无线世界。

08 让真实网络不断教会AI理解网络

ChaRT的实验还揭示了一个值得关注的现象：继续增加同一城市的数据量和模型规模后，收益会逐渐趋于饱和。下一阶段更有价值的方向，不只是继续“做大模型”，而是扩大城市、运营商、频段和部署形态的数据多样性，并进一步引入时间变化、业务状态和建筑环境等信息。

真实运营网络每天都在持续产生新的测量和反馈。这意味着无线世界模型天然拥有一个持续学习闭环：真实网络产生数据→模型学习无线规律→模型推演候选方案→网络执行→新的网络结果再次进入模型。

未来，当这样的无线世界模型进一步与网络智能体、优化算法和真实网络反馈结合，AI要回答的问题将不再只是“网络现在出了什么问题？”，而会进一步变成“如果我这样做，网络会发生什么？”

从观测网络，到理解网络，再到推演网络。ChaRT迈出的，正是这一步。

09 联合研究团队与论文信息 

联合团队：深圳河套学院、深圳市大数据研究院、香港中文大学（深圳）、中山大学、华为技术有限公司

论文：A Foundation Model for Large-Scale Wireless Network Planning, Operation and Optimization

论文作者：Xinyu Qin、Wenqiang Pu、Hongcheng Dong、Ye Xue、Linzhi Shen、Qi Yan、Tsung-Hui Chang、Zhi-Quan Luo

通讯作者：Wenqiang Pu、Tsung-Hui Chang

arXiv：https://arxiv.org/abs/2609.08482