电信星辰网络大模型开源突围

当全行业还在争论"通用大模型到底能不能干网络运维"时，中国电信用一条截然不同的路线给出了答案：与其让一个什么都懂一点的通用模型硬啃通信协议，不如从第一天起就为网络"量身生"一个原生大模型，然后把它彻底开源出去。

2025年6月的MWC上海和7月的WAIC世界人工智能大会，中国电信接连抛出两张牌——星辰网络大模型2.0和网络大模型工具链OpenQiming（启明），前者把云网运营推过L3向L4高阶自智的门槛，后者则把整套训练与部署工具链全面开源。这是三大运营商里第一个把"网络原生大模型+开源工具链"作为公开战略打出来的，也是一次相当激进的开源突围。

一、问题背景：通用大模型为何"啃不动"网络

把一个通用大模型丢给网络运维团队，几乎都会撞上同一堵墙。网络运维的核心知识库，是数以万计的3GPP规范、厂商私有命令、RFC文档、告警码本、内部wiki交织而成的"巴别塔"。一个被互联网语料喂大的通用模型，面对"AMF发起了Context Release、SMF却收不到PFCP Session Modification"这种场景时，往往只能给出看似合理实则空泛的建议。

更致命的是三个结构性缺陷：第一，知识时延。通用模型的训练快照落后于现网版本，5G核心网一个Release的演进就能让它答非所问。第二，工具盲区。它不懂如何调用NCE、如何编排SBI接口、如何把一个意图翻译成一串合法的网元配置。第三，幻觉代价。在客服场景里胡说八道顶多挨个投诉，在网络变更里"自信地改错一条路由"则可能是一场事故。

中国电信给出的判断很清晰：网络大模型必须是网络原生（network-native）的——从数据、到模型、到工具链、再到生态，每层都为网络这一个垂域重新设计。于是有了"数据集底座—领域大模型矩阵—工具链平台—MCP广场"这套四位一体的技术体系，以及承载它的开源载体OpenQiming。

二、产品演进：从2.0到3.0，一条L3到L4的爬升曲线

星辰网络大模型并非一蹴而就。它真正进入公众视野是2025年6月的MWC上海"AI+网络能力发布大会"，中国电信正式发布星辰网络大模型2.0。这版模型的关键定位是"涵盖云网运营各个领域"，并明确宣称实现了从L3向L4高阶自智网络的重大进步——这在TM Forum的自智网络分级体系里，意味着系统从"条件性自动化"跨入"高度自智"，人更多扮演监督而非执行的角色。

到了2025年7月26日的WAIC"网络大模型开发者大会"，中国电信又把牌面升级：发布网络大模型3.0，答准率等核心指标据称已领跑业界；同时把工具链平台以"OpenQiming"之名全面开源。短短一个月两次升级节奏，背后是"云改数转"战略向"云改数转智惠"的版本跃迁——"智惠"二字，把AI从能力点缀变成了业务主轴。

需要强调的是，这条演进线和很多厂商"先做通用底座、再贴网络皮"的路径相反。星辰从一开始就是按网络运维的语义空间来组织训练数据的，2.0覆盖云网运营全领域、3.0在答准率上领跑，反映的是"垂直深耕"而非"横向泛化"的取舍。

三、OpenQiming架构拆解：四位一体的开源底座

OpenQiming不只是一个模型权重包，它是一个完整的、可被开发者二次开发的工具链平台。其核心是"四位一体"的技术生态，从底层到顶层依次为：

版本	发布节点	核心定位	关键突破
星辰网络大模型2.0	2025.6 MWC上海	覆盖云网运营全领域	L3→L4高阶自智，家宽/无线场景落地
星辰网络大模型3.0	2025.7 WAIC	答准率领跑业界	模型能力跃迁，工具链开源
OpenQiming工具链	2025.7 WAIC开源	四位一体开源平台	数据集+模型矩阵+工具链+MCP广场

flowchart TB
    subgraph ECOSYSTEM["OpenQiming 四位一体开源生态"]
        A["① 数据集底座<br/>湖仓一体 · 结构化/非结构化数据"]
        B["② 领域大模型矩阵<br/>星辰网络大模型3.0 + 领域子模型"]
        C["③ 工具链平台<br/>选模型/改模型/用模型 · 微调·评估·部署"]
        D["④ MCP广场<br/>标准化工具调用 · 网络API封装"]
    end
    A --> B --> C --> D
    D -.意图触发.-> A
    E["网络运维智能体<br/>故障定位 / 网络规划 / 配置生成 / 优化"] --> C
    D --> E
    style A fill:#e8f5e9,stroke:#2e7d32
    style B fill:#fff3e0,stroke:#ef6c00
    style C fill:#e3f2fd,stroke:#1565c0
    style D fill:#f3e5f5,stroke:#6a1b9a

第一层，数据集底座。采用湖仓一体架构，把结构化数据（告警、KPI、配置、信令）和非结构化数据（运维文档、专家经验、变更记录、规范文本）统一收纳、高效调用。这是网络原生大模型区别于通用模型最关键的一层——没有这种"双态数据"的融合，模型永远读不懂"这条告警为什么对应那一段配置变更"。

第二层，领域大模型矩阵。以星辰网络大模型3.0为基座，向下衍生出面向家宽、无线、传输、核心网等不同专业的领域子模型，形成矩阵。这是"一专多能"的结构：基座保证通用理解与推理，子模型保证专业纵深。

第三层，工具链平台。提供"选模型—改模型—用模型"的完整链路，开发者可以拿开源的基座在自己的数据上做微调、评估、压缩、部署，而不必从零搭训练框架。

第四层，MCP广场。这是最有想象力的一层。MCP（Model Context Protocol，模型上下文协议）把各种网络能力——查告警、下发配置、调SBI接口、跑诊断脚本——封装成模型可标准调用的"工具"，形成可供智能体按需取用的能力集市。有了MCP广场，大模型才真正从"会说的顾问"变成"会做的员工"。

这套架构对应的，是中国电信对外宣讲的三大核心能力：数据能力（湖仓一体实现数据高效调用）、开放能力（云网操作系统解耦IT与网络能力，提供标准化API）、模型能力（3.0答准率领跑）。三者缺一不可，构成了"软件+AI智能体"这一新范式相对于"传统工程交付"的代差。

四、效果数据：家宽、无线、5G-A三条战线的实测提升

抛开架构谈自智都是空中楼阁，真正能说明问题的是现网跑出来的数字。在MWC上海发布的星辰网络大模型2.0，给出了几个相当硬的场景指标：

家宽那条线尤其有代表性。传统装维流程里，光猫掉线、ONU注册失败这类故障高度依赖一线工程师的经验判断和逐段排查，平均处理时延长、上门率高。星辰智能体把网管侧的告警、光功率日志、链路状态和知识库里的排障树打通，能在用户报障甚至报障前就给出最可能的故障点和处置建议，把处理时效直接砍掉三成——这对一个年故障量以亿计的家庭宽带网络而言，节省的人力与提升的用户感知都是量级的。

无线优化的10%–15%体验提升，则是模型在更复杂的空间维度上发挥作用：它需要综合MR测量报告、邻区关系、负载分布、用户移动性，输出比固定规则更精细的参数调整建议。

5G-A"智聚大上行"是与华为的联合成果，面向智能穿戴、车联网、实时交互这类上行重载场景，上行+15%、时延−30%直接关系到车联网的端到端安全时延边界，是5G-A迈向"Mobile AI网络"的实质性一步。

五、对比分析：与九天、元景及通用模型的三重差异

把星辰网络大模型放回行业坐标系，它的差异化策略就看得更清楚了。

落地场景	应用方式	实测效果
家庭宽带故障定位	智能体AI快速定位故障点	处理时效提高30%
无线网络优化	AI驱动的覆盖/容量优化	用户体验提升10%–15%
5G-A上行增强	与华为"智聚大上行"联合	上行速率+15%、时延−30%

与通用大模型的对比，核心是"原生 vs 贴皮"。通用模型胜在泛化和迭代速度，败在网络知识的纵深和工具调用能力；星辰网络大模型则反向押注垂域纵深和工具闭环，用MCP广场补上"动手能力"这块通用模型的短板。这条路线在toB网络运维场景里更吃香，因为它要的是"准确且能执行"，不是"博学但只会说"。

与运营商同行的对比，则是"开源 vs 闭源"的策略分野。中国移动的九天大模型、中国联通的元景大模型，更多走"自研底座+平台化输出、对外提供MaaS服务"的路线，强调自有能力沉淀和商业化赋能（联通元景MaaS平台据称已支撑打造数千个智能体）。中国电信的星辰网络大模型则把工具链OpenQiming直接开源，意图用开放生态换开发者规模、换生态标准的话语权。两套打法各有其合理性：闭源平台可控、可计费、利于能力变现；开源工具链扩散快、易形成事实标准、利于聚拢中小开发者与合作伙伴。

维度	电信星辰网络大模型+OpenQiming	移动九天	联通元景
模型定位	网络原生垂域大模型	行业大模型体系	行业大模型+MaaS
生态策略	工具链全面开源	平台化输出	MaaS平台赋能
自智目标	L3→L4	多场景智能化	L4智能体生产力
典型网络成效	家宽时效+30%、无线+10–15%	告警、运维多场景	智能体规模化

与海外厂商的对比，欧美运营商和设备商多把AI能力内嵌在网管/网元产品里（如厂商自家的NCE、rApp/xApp生态），较少以"独立开源网络大模型"的形态出现。中国电信的OpenQiming其实是把"模型+工具链+协议（MCP）"打包成一个开放平台对外输出，这种"网络大模型即开源平台"的打法，在国际语境里相当超前。

六、开源突围的深层逻辑：为什么要做MCP广场

一个国资背景的运营商，把自家网络大模型工具链开源，背后的算盘不只是"情怀"。从工程和商业两个角度看，OpenQiming的开源是经过算计的。

工程上，网络大模型最大的瓶颈不是算法而是数据，而数据天然分散在各专业、各厂家、各地市。闭源模式下面，要把这些数据汇聚训练，组织协调成本极高；开源工具链则把门槛摊平，让合作伙伴、高校、科研机构都能在自己的数据上用同一套基座做适配，模型的"喂料"和迭代得以分布式进行。大会上汇聚昆仑生态合作伙伴、高校与科研机构，正是这一逻辑的体现。

商业上，开源是争夺"网络智能体事实标准"的最快路径。谁的工具链被最多开发者用、谁的MCP广场定义了最多的网络工具接口，谁就在下一代"软件+AI智能体"的网络交付范式里掌握话语权。中国电信明确提出"从传统工程交付转向价值交付"，潜台词是：未来网络交付的计价单位，可能不再是机房和人天，而是智能体调用的次数和它创造的网络价值。开源，是抢占这条新价值链的起跑姿势。

尤其值得玩味的是MCP广场。MCP原本是让大模型标准化调用外部工具的通用协议，电信把它落到网络场景，本质是把"网络能力API化、智能体可调用化"。一旦这套网络MCP工具集成为行业惯例，星辰网络大模型就成了"电网"，其他人的智能体就是接在电网上的"电器"——开源的不是终点，而是生态的入口。

七、L3到L4的现实主义：自智不是开关，是斜坡

星辰网络大模型2.0号称"L3向L4重大进步"，但冷静看，自智网络从来不是一个能一拨到底的开关，而是一条需要逐场景打磨的斜坡。L4高度自智意味着系统在大多数场景下能自主感知—决策—执行—闭环，人退到例外处理位置。家宽故障时效提升30%、无线体验提升10–15%，是这条斜坡上已经站住的台阶，但要在全网、全专业稳定达到L4，仍需在三个方向持续验证：一是异常场景（罕见故障、跨域连锁）下的决策鲁棒性，二是自动变更的安全边界与回滚机制，三是模型在持续版本演进下的知识保鲜。

OpenQiming的开源恰好为这种持续验证提供了土壤——越多的开发者和场景接入，斜坡上的反馈数据就越密，L4的稳定性收敛得就越快。这是开源策略与自智目标在底层逻辑上的耦合：开源不是公益，而是加速自智成熟度的工程手段。

结论

中国电信用星辰网络大模型和OpenQiming证明了一件事：在通信这个知识密度极高的垂域，"网络原生大模型+开源工具链"是一条走得通且走得快的路。家宽时效三成、无线体验一成到一成半、5G-A上行一成半和时延三成的实测数字，撑起了L3向L4的跨越；四位一体的开源架构和MCP广场，则把这次跨越从"自家用"变成了"行业用"。当网络交付的范式从"工程交付"滑向"智能体价值交付"，谁先把工具链和协议标准开源出去、谁先把开发者聚到自己的广场上，谁就可能成为下一代网络的智能底座。这场开源突围，赌的不是某一个模型有多强，而是整个生态的引力。