“1+N”通信领域模型体系构建智能体大脑

        L4级自智网络的核心特征在于实现基于智能硬件的实时感知、精准分析、智能决策与自动化执行的端到端闭环协同，形成高度自治的有机系统。作为自智网络的关键使能组件，智能体正由理论探索迈向规模化部署，驱动网络运维模式从被动响应向主动预测、自适应优化与自主闭环演进。

        中兴通讯自智网络智能体，以自研星云通信大模型为核心引擎，深度融合网络领域知识，能够在复杂场景下进行自主规划和智能决策，并完成高价值场景的端到端闭环执行，致力于实现自智网络的“三零三自”目标。

        大模型是智能体的“超级大脑”，要能够理解模糊的自然语言意图，沉淀专家经验处理复杂网络的根因分析和优化，将运维从“执行指令”向“理解意图”“自主推理”“长程规划”的范式跃迁。然而，通用大模型无法应对海量非结构化文档、用户交互意图与底层信令日志交织的复杂运维挑战，难以满足通信行业对专业性、实时性与安全性的综合要求。

        为应对以上挑战，中兴通讯推出星云通信模型“1+N”模型矩阵，其中“1”是通信领域通用大模型，“N”是多个垂直领域专用模型，如通信领域结构化大模型、图模型、数字孪生模型等（见图1）。“1+N”模型矩阵协同，增强对长尾问题与边缘案例的识别与处置能力，构建深度适配通信网络运行机理的智能认知基座，支撑L4级自智网络的可持续演进。

通信领域通用大模型

        通信领域通用大模型采用创新的混合推理架构，聚焦于复杂业务逻辑下的高阶推理与自主决策。通过注入海量高价值通信领域语料（典型故障案例、标准化运维规程、技术规范文档等），内化专家经验，并融合数字孪生仿真生成的合成数据，模型实现了通用生成式“快思考”（System 1）与基于规则与符号逻辑的“慢思考”（System 2）能力的深度融合。

        在无线接入网、核心网、承载网等自智网络高价值场景中，该混合推理能力展现出卓越的业务意图解析能力、复杂工具链编排能力以及跨专业域融合分析能力，突破了通用大模型在通信领域中存在的“专业深度不足”与“逻辑广度受限”双重瓶颈。实测表明，在运维指标趋势分析、用户运维意图分类、故障诊断工具调用、告警根因关联、4G/5G网络参数优化等关键任务中，相较同参数规模的开源基线模型，准确率平均提升约30%。

通信领域结构化大模型

        通信网络中的结构化数据（信令消息、测量报告MR、XDR详单、KPI指标序列等）承载着网络运行状态与用户行为的核心信息，具有强时序性、协议专有性、字段密集等典型特征。尽管通用大语言模型（LLM）可通过文本化方式处理结构化数据，但此类转换往往导致信息失真、语义模糊，并因序列膨胀引发Token消耗剧增与推理延迟上升，难以满足实时性要求严苛的生产级部署需求。

        为此，中兴通讯构建了面向通信场景的原生结构化大模型，采用专用Tokenizer实现高效语义压缩，将原始结构化数据直接映射为紧凑、低冗余的Token序列，在保障数据完整性的前提下，推理效率提升数倍。进一步，该模型通过多模态对齐机制与通用大语言模型实现协同，为LLM注入原生的结构化数据理解能力，支撑基于KPI异常检测、信令流程重构等任务的生成式下游应用。

        鉴于结构化模型依赖高质量标注数据，而人工标注成本高、周期长，我们提出“双脑协同”（dual-brain collaborative learning）自进化训练范式：

• 大脑（cognitive brain）：基于通信领域通用大模型，负责全局认知统筹与深度逻辑推理，专注于离线处理高难度样本、知识蒸馏、反事实推理与合成语料生成，持续为小脑提供高质量训练数据与策略指导；
  
  
• 小脑（execution brain）：采用轻量化结构化大模型，聚焦特定场景下的实时异常检测、根因分类与优化方案生成，支持在数字孪生环境中开展策略仿真与验证，确保决策可追溯、可评估。
   

        该范式实现了“认知-执行”闭环演进，显著提升模型迭代效率与泛化能力。实测数据显示，在无线网络质差根因识别任务中，识别准确率提升30%，模型更新周期缩短50%，标注数据生产效率提高50%，全面支撑网络自优化与自修复能力落地。

图模型

        图模型作为大模型的可信外部记忆库，承担结构化、可追溯、可验证的知识沉淀与动态更新功能，提供可解释的推理证据链，支撑高风险操作的合规性校验与审计追溯。其核心技术能力涵盖知识图谱构建与演化、图增强混合检索推理两大模块，构建从企业多源异构数据到智能应用之间的全链路知识中枢。知识图谱构建与演化突破传统静态知识抽取模式，构建“静态抽取+动态更新”双通道知识构建体系。创新引入自校验与反思进化框架，实现图谱的持续自我优化与闭环演进。图混合检索推理利用图结构的语义连通性与拓扑关系，实现离散知识点的逻辑串联，消除信息碎片化导致的推理断层。

        目前，中兴通讯图模型技术已在网络智能优化、自动化故障诊断、中国移动“联创+”实验室故障定位等场景实现端到端应用闭环。以中国移动“联创+”项目为例，在无线网络故障根因定位任务中，定位准确率达90%以上，平均故障处理时长缩短10%，充分验证了该技术在复杂运维场景下的先进性与商业可行性。

数字孪生模型

        自智网络“零接触”要求系统具备高度的可靠性，而AI决策的“黑盒风险”和对现网操作的潜在影响是当前阻碍其闭环落地的最大障碍。数字孪生构筑了自主决策的安全底座，是验证网络决策的关键基础。

        中兴通讯构建了完整的通信领域数字孪生的全景架构（见图2）。

        技术栈维度，采用“机理+数据”的双轮驱动模式。一方面建设高性能的离散事件仿真、时间步进仿真等机理驱动仿真引擎，另一方面创新性地结合轻量级小模型编排与端到端结构化大模型等数据驱动的建模方法。这种混合架构，让每一种技术都能在最适合的价值场景发挥极致效能。

        从孪生面向的对象维度，实现了从“过程”到“结果”的全链路覆盖。面向过程，我们聚焦信令流程与调度策略的精细仿真，成功应用于信令风暴仿真、NTN（非地面网络）空口仿真预研等复杂场景；面向结果，致力于单域网络级KPI指标与跨域感知KQI指标的定量预评估，在此基础上，探索系统能够自主迭代闭环，实现优化目标的灵活配置、波及影响的定量可控以及参数调整的精准约束，最终生成真正可管、可控的智能优化策略。通过数字孪生模型，推动网络运维从“高风险反复人工操作”向“低风险一次自优化”的高阶自智转型。

        展望未来，随着生成式AI技术成熟与算力边缘化推进，我们将逐步融合数字孪生与生成式模拟技术，构建具备“反事实推理”与“隐式动力学理解”能力的通信领域世界模型。这不仅将通信协议、信道特征、网络拓扑等结构化知识完全内化，更突破了单纯的数据驱动范式，具备毫秒级前瞻性空间推演与最优控制策略直接输出的核心能力。

        中兴通讯“1+N”通信领域模型矩阵，通过通用大模型与结构化模型、图模型、数字孪生模型的深度协同，构建了面向L4级自智网络的Agentic AI智能体大脑。这一多模型融合架构不仅实现了从意图理解、多模态分析到可信决策、安全仿真的闭环能力，更将网络运维从“被动响应”推向“主动预测”与“自主优化”的新阶段。目前，该方案已在全域端到端故障等场景取得实效。

        面向未来，随着世界模型与反事实推理等技术的持续演进，多模型协同将进一步强化自智网络的“三零三自”目标——实现零故障、零投诉、零接触，达成自优化、自修复、自适应。中兴通讯将继续深化AI与网络的融合创新，推动通信网络迈向更高阶的自智时代。