概述：2024年起，从华为在MWC24发布通信大模型，到中国移动“九天”基座落地网络运维，再到学术界的TelecomGPT开源路线（arXiv:2407.09424），电信行业掀起了一股“造专属大模型”的热潮。本文回答一个一线工程师真正关心的问题：通用大模型明明已经很强，为什么进机房会水土不服？一 个通信行业的专属大模型到底是怎么炼成的——语料从哪来、训练怎么走、评测如何过、上线后和现有网管体系怎么共处？本文以18年核心网运维的一线视角，拆解从通用基座到“懂行同事”的完整炼成路径。
先说一个我自己的真实经历。去年某省公司搞创新竞赛，有个年轻同事兴致勃勃地演示：把一段S1-MME接口的Wireshark抓包解读任务丢给某通用大模型，让它分析切换失败的原因。模型输出洋洋洒洒两页纸，术语齐全，格式漂亮，乍一看非常专业。我扫了一眼就发现不对——它把EUTRAN内部切换的信令流程和跨MME的S1切换流程搅在了一起，中间还“创造”了一条3GPP TS 36.331里根本不存在的消息。年轻同事很委屈：模型说得那么笃定，怎么会有错？
这就是通用大模型进机房的第一课：它不是不懂，是懂得不扎实，而且不懂的时候绝不承认。通用大模型的知识来自全网语料，通信内容占比极小；3GPP规范这种“先例文本”又长又硬，预训练时被压缩得七零八落。更要命的是，生成式模型的本质是“按概率接龙”，不是按事实查证——对普通用户，编个不存在的消息名只是笑谈；对一个要处置现网故障的工程师，照着错误答案下发一条指令，代价就是故障扩大。
第二个水土不服是知识时效。通信标准一年几个版本，设备商软件包一季度一个补丁，通用大模型的知识截止日期一过，它嘴里的“最新规范”可能已经是两三年前的老黄历。而运维这个行当，恰恰对“过时”零容忍。
第三个是数据出不了门。告警、工单、信令、用户数据，哪一样都是敏感数据。网信办和运营商内部的安全红线摆在那里，现网数据不可能上传给公网模型API。这就决定了：电信行业要用的，必须是自己能部署、能管控、懂行话的模型——要么私有化部署的通用模型加领域改造，要么干脆从底座开始炼一个“电信专版”。
于是2024年前后，三条路线几乎同时开跑：设备商的通信大模型、运营商的自研大模型、学术界的方法论先行。要理解这三条路，得先回到最基本的问题：炼一个电信大模型，原料是什么？
大模型是喂出来的。通用互联网语料好比杂粮，通信领域语料则是一锅极难熬的粥。以TelecomGPT这篇论文为例（arXiv:2407.09424），研究者把电信语料大致归为四类：3GPP规范等标准文本、教科书与课程材料、行业新闻、以及合成的问答对。这个分类很能说明问题——四类原料，三种都有“毒”。
第一毒：规范文本是“法条”，不是“话”。3GPP规范是典型的法律式文体，满篇shall/may/should的条件嵌套，一段IE（信息单元）定义能绕三层。直接拿去训练，模型学到的是“像规范的句子”，不是“规范的含义”。业内常用做法是先做结构化切分：把规范按章节、消息、流程粒度切块，配合IE表格单独处理，再生成大量“问答对”倒灌——比如把TS 24.301里 Attach流程的每个消息拆成“这条消息携带哪些IE、缺了会怎样”的一问一答。原始文本一吨，能用的问答语料往往要靠人工和半自动各半地熬出来。
第二毒：现网数据是“密文+敏感”双重属性。告警、性能、工单才是运营商最想喂给模型的资产——以我待过的省级网管为例，全网一天原始告警量在百万条量级（经验值，各网规模差异很大），几年沉淀下来的工单和处置记录是真正的“故障百科全书”。但告警是机器语言，工单是“半截话+行话黑话”，得先做脱敏（用户标识、位置信息全部打掉）、再做结构化（告警-网元-时间-动作对齐）、还要把老工程师的“黑话”翻译成规范表达。这一步没有任何捷径，各单位的数据治理底子决定语料质量上限。
第三毒：量级与通用语料完全不对等。通用基座动辄几万亿token，电信领域能凑出的高质量语料撑死几十亿token。量级差三个数量级，意味着电信大模型绝不能“从零炼”，只能“站在通用基座上继续炼”——这也直接决定了下一节的训练路线。
TelecomGPT论文在这个问题上的贡献很实在：它验证了“开源通用基座 + 电信语料继续预训练 + 指令微调”这条路在电信领域成立，并公开了语料构成和评测方法，让后来者有一个可参照的配方。学术价值不大谈，工程价值不小——它相当于一份“炼丹说明书”。
电信大模型的训练，业界如今基本收敛成三层结构，类似练武的“炼体、招式、实战”。
flowchart TD
A["原始语料<br/>规范+告警+工单"] --> B["清洗与脱敏"]
B --> C["继续预训练"]
C --> D["指令微调"]
D --> E["领域评测"]
E --> F{"过线?"}
F -->|未过| G["补语料<br/>调配比"]
G --> C
F -->|通过| H["挂接RAG知识库"]
H --> I["灰度上线"]
I --> J["人工复核与回流"]
第一层：继续预训练（Continual Pre-training）——把电信语料大规模“读”给模型，让它掌握领域语言。这一步最容易出现“灾难性遗忘”：电信知识学进去了，通用能力掉出来了，模型变得“只会背规范、不会说人话”。工程上常用配比策略，电信语料里掺一部分通用语料“护住底盘”，掺多少各家都是调出来的玄学。
第二层：指令微调（SFT）——教模型“以运维人员的方式回答问题”。这一层的语料质量远比数量重要。一千条老专家逐条校订过的问答，胜过十万条机器生成的垃圾对。真正值钱的SFT数据长什么样？举例：“S1切换失败率突增，排除清单按什么顺序走？”——答案要体现现网处置的优先级逻辑（先查邻区参数变更，再查传输质量，最后才怀疑终端），而不是教科书式的罗列。这种带“处置顺序”的语料，只能从真实工单和老工程师脑子里来。
第三层：RAG挂接（检索增强生成）——这是电信场景的“保命层”。思路是：把最新的3GPP规范、设备商文档、本网参数知识库做成向量库，模型回答前先检索、后生成，并附上出处。这样即使模型自身知识过时，答案也能锚定在最新文档上；工程师还能顺着出处去人工核对。以我个人的判断，对电信这种“错一个字就可能是生产事故”的领域，RAG不是增强项，是必选项——没有出处挂接的电信大模型，不具备进机房的资格。
三层之外还有一道隐性工序：对齐与安全闸门。涉及指令下发、参数修改类的问题，模型的标准答案应该是“给出建议+申请人工确认”，而不是直接输出操作序列。这条红线要在训练和推理两端同时卡住。
通用大模型有MMLU这类公开考试，电信领域长期没有统一“高考”。一家模型团队说自己“电信知识达到专家水平”，怎么证明？这是2024年之前整个行业的空白，也是TelecomGPT这类工作的另一个贡献点：构建电信领域的评测集，把“懂不懂行”变成可量化。
一套合格的电信评测集，我认为至少要考四门课：
| 考试科目 | 考什么 | 为什么难 |
|---|---|---|
| 规范记忆与理解 | 3GPP流程、消息、IE含义 | 容易背错版本，张冠李戴 |
| 排障推理 | 给定告警与信令，定位根因 | 考处置顺序与多约束权衡 |
| 参数与配置 | 网元参数含义与影响面 | 各厂家文档口径不一 |
| 生成规范 | 工单小结、变更方案 | 考行话表达的准确与克制 |
尤其第二门“排障推理”最难出题，也最接近实战。好的评测题不是单选，而是给一段脱敏后的真实故障上下文（告警序列+关键信令+拓扑），看模型给出的排查路径是否合理、是否先易后难、是否在证据不足时明确说“需要补充XX数据”。说实话，这类题目目前业界积累还很薄，不少团队的评测集是“自家出题自家考”，成绩漂亮但含金量存疑——这也是采购方要警惕的：看评测，先看出题方。
评测之外还有一道现网特有的关卡：幻觉率。通用问答允许个别胡说，电信场景不行。业内通行的做法是把“事实性错误率”单独考核，尤其是涉及消息名、参数名、取值范围这类“硬事实”，错一个都算重大缺陷。这也是RAG必须挂接的原因：让硬事实有文档兜底。
方法讲完，看现实里三条路线各自的走法和进展。
路线一：设备商的“全家桶”式通信大模型。标志性事件是2024年2月MWC24巴塞罗那期间，华为正式发布通信大模型，定位是把AI能力覆盖到无线、核心网、传输等领域的运维场景（见华为官网新闻室站内检索"telecom model"）。设备商路线的优势是“懂自己”：告警语义、参数体系、软件版本，没有谁比设备商更清楚自家网元。典型落地形态是嵌入网管，做告警压缩、根因推荐、工单预处理。局限也明显：多厂家混合组网里，别家的设备它未必看得透，运营商对此心知肚明。
路线二：运营商自研基座。中国移动是最激进的代表，其“九天”基座大模型于2024年正式发布，并明确把网络大模型作为垂直方向之一（见中国移动官网投资者与新闻栏目）。运营商路线的底牌是数据：全国范围的告警、工单、用户感知数据都在自己手里，这是设备商拿不到的富矿。落地形态偏向“内部数字员工”：知识问答、告警研判辅助、投诉根因初判。据报道，国内多家运营商均已把大模型引入省级运维试点，方向集中在告警压缩与工单辅助两类——具体收益数字各单位口径不一，公开材料里从“效率提升百分之几十”到“数倍”都有宣称，建议读者以各单位验收口径为准，我这里不做转述背书。
路线三：学术界开源配方。以TelecomGPT（arXiv:2407.09424）为代表，公开了语料构成、训练方法与评测基准。它的意义不在模型本身，而在“配方公开”：中小运营商和设备商的工程师可以照着做小规模复现，把领域大模型的门槛从“大厂专属”拉到“实验室可及”。
| 维度 | 设备商路线（华为等） | 运营商路线（九天等） | 学术开源（TelecomGPT） |
|---|---|---|---|
| 出发点 | 嵌入网管卖方案 | 数据资产自持自用 | 方法论与可复现 |
| 数据优势 | 自家设备语义全 | 全网告警工单富矿 | 公开规范与教材 |
| 短板 | 跨厂家视角受限 | 算力与算法积累待补 | 缺现网锤炼 |
| 典型场景 | 网管内嵌根因推荐 | 内部数字员工 | 评测基准与配方 |
| 对一线的价值 | 处置提速 | 流程减负 | 学习与二次开发 |
三条路线其实互补：设备商出“设备懂行”、运营商出“数据懂行”、学术界出“方法懂行”。未来两年的大概率走向是混合——运营商的基座挂设备商的知识库，外加开源评测卡质量。
热点之下，说几句一线视角的逆耳话。
真相一：语料治理的欠账，大模型替你还不了。见过太多单位上马大模型项目，第一步就被语料卡死：历史工单格式换了四代、告警ID表三处维护互相打架、老工程师的处置经验全在个人笔记本里。大模型是数据质量的放大器——治理好的数据进来是资产，治理差的数据进来放大出来的是灾难。先补数据治理的课，再谈模型。
真相二：别拿“回答流畅”当“能力达标”。演示环境里回答得头头是道，不等于现网敢用。电信大模型的验收必须包含幻觉率、版本时效性、敏感信息泄露三张硬卷子，任何一张不及格都不能碰生产流程。演示会有演技，评测集没有。
真相三：人机边界要画在“写操作”前面。我的观点很明确：现阶段大模型的角色是“副驾驶”，可以读、可以分析、可以建议，但一切涉及网元变更的动作必须经过现有人工审批流。这不是保守，是血泪教训——自动化动作+模型幻觉的组合，等于给故障装上了加速器。权限模型不重建，“AI运维”就是风险运维。
真相四：组织收益的最大项，可能不在排障而在传承。排障提速是显性收益，但真正的长期价值是知识沉淀：老师傅的排查逻辑被SFT语料固化下来，新人通过问答就能继承十年经验。通信行业正处在新老交替期，这个维度反而最被低估。项目立项时只算“工时节省”的账，是把最值钱的部分漏掉了。
回到开头那个被大模型“骗”过的年轻同事。一年后他成了公司大模型运维小组的骨干，他现在的口头禅是：“先问它出处，再问它依据，最后问它敢不敢签字。”——模型不签字，签字的是人。这句话，基本就是现阶段电信大模型的正确打开方式。
通用大模型是一块好钢，但通信网需要的不是一块钢，而是一把按老师傅手掌磨出来的锉刀。语料是磨料，训练是火候，评测是验收，RAG是保险，人是最后一道闸门。华为们的全家桶、运营商们的自研基座、TelecomGPT们的开源配方，终会在某个省公司的机房里汇合——到那时，衡量一个电信大模型成不成的标准很简单：老师傅愿不愿意在下班前，把没处理完的疑难单子“交接”给它。
从“能聊天”到“能接班”，电信大模型的炼成之路才刚走过第一年。但方向已经清楚了：先读百万工单，再上现网岗哨。急着让它动手的，都是还没被幻觉伤过的。
注：本文涉及的各厂商落地收益数字，公开口径差异较大且验收标准不一，文中未做具体背书；引用事实以各来源官方原文为准。
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。