电信大模型打擂：小个子掀翻巨人

概述：通用大模型能写诗、能敲代码，但2023年一份电信考卷（TeleQnA）暴露了它们在3GPP标准面前的窘迫。此后两年，电信行业自己动手炼模型、自己出题打分——GSMA牵头的Open Telco榜单上，2026年9月，一个27B参数的开源模型在七项电信基准上跑出89.64%的均值，论文声称超过了GPT-5、Claude和Gemini；一个31B参数的行业模型排在官方榜单第五，把一众闭源巨头甩在身后。本文基于四篇可公开验证的arXiv论文，梳理电信专用大模型从“挂科”到“掀桌子”的完整进化链，以及它对一线运维到底意味着什么。

目录

• 一、先出考卷：通用大模型考电信，挂科了
• 二、第一代专用模型：TelecomGPT是怎么炼成的
• 三、行业开始统一打分：GSMA放了大招
• 四、2026年擂台战报：小个子排队上台
• 五、四大能力轴，对准了运维的四个痛点
• 六、一条故障工单的AI推理链
• 七、冷思考：榜单高分不等于生产可用

一、先出考卷：通用大模型考电信，挂科了

故事要从2023年10月说起。哈利法大学的Ali Maatouk、Merouane Debbah等六位研究者在arXiv上发布了一份专门考大模型电信知识的基准数据集——TeleQnA（arXiv:2310.15051）。一万道题，全部来自3GPP标准、IEEE论文等真实行业资料，再由人类专家逐题把关质量。

拿这份考卷去测GPT-3.5和GPT-4，结果很有意思，也很有分寸——论文的结论不是“大模型不行”，而是三句话：

1. 复杂的标准类题目，大模型普遍吃力——问它某个流程在TS 38.331里的确切行为，它开始一本正经地编；
2. 泛泛的电信常识题，它表现不差——“5G和4G有啥区别”这种题，答得头头是道；
3. 给模型注入电信知识上下文之后，成绩显著上升——说明缺的不是推理能力，是行业知识底子。

第三条是最要命的。论文还把考卷发给了一线电信工程师做对照，结论是：大模型的知识水平已经能比肩在岗专业人员。换句话说，差距不在“聪明不聪明”，而在“读没读过规范”。

对干过核心网的人，这个结论毫不意外。我们这一行真正值钱的经验，全埋在几万页的3GPP文档、设备商的私有告警字典和老师傅的排障笔记里——这些东西恰恰不在通用大模型的训练语料里。让它解释PFCP会话为什么假在线，它可能给你背一段SF模板；你问它AMF侧N2接口的具体状态机，它开始发挥想象力。2023年，行业第一次有了一把量出来的尺子：通用大模型，不能直接上岗。

二、第一代专用模型：TelecomGPT是怎么炼成的

考卷出了，就有人照着答案炼模型。2024年7月，同一个核心团队（Hang Zou、Merouane Debbah等人）发布了TelecomGPT（arXiv:2407.09424），第一次给出了把任意通用大模型改造成电信大模型的完整流水线。

做法是标准的领域适配三段论：

• 继续预训练（Continual Pre-training）：拿电信专属语料——标准文档、技术资料——在通用底座上继续训练，把行业知识“灌”进去；
• 指令微调（Instruct Tuning）：构造电信任务的指令数据集，教它按工程师的方式干活；
• 对齐微调（Alignment Tuning）：用偏好数据教它输出符合行业口味的答案。

光炼还不够，得证明炼出了真本事。团队顺带造了三个电信行业此前没有的评测基准：Telecom Math Modeling（电信数学建模）、Telecom Open QnA（开放式问答）、Telecom Code Tasks（代码任务）。

成绩单上最硬的一条是：TelecomGPT在电信数学建模基准上显著超过GPT-4、Llama-3和Mistral；在TeleQnA、3GPP文档分类、电信代码摘要与生成等基准上达到相当水平。

数学建模这一项值得单独说说。网优和无线规划的本质是“推公式、算链路”——给一块覆盖空洞算个下倾角调整量，给一场演唱会做个容量预算。这类任务要求模型真的会推导，而不是复述网上抄来的结论。一个行业微调模型在这项上压过当时的GPT-4，等于宣告：通用模型的天花板，领域模型可以捅破。

三、行业开始统一打分：GSMA放了大招

各家模型都说自己强，自卖自夸没意义，行业需要一个统一的擂台。GSMA牵头搞出了 Open Telecom Lite（OT-Lite）基准，社区还运营起一个官方性质的 Open Telco AI Leaderboard——电信行业自己的大模型排行榜。各家模型，不管开源闭源、不管出身大小，都上同一张卷子，同一个榜单见分晓。

这件事的行业意义，怎么估都不过分。互联网大模型有MMLU、有HumanEval，电信行业此前一直没有公认的“高考”。没有统一评测，运营商选型只能听厂家PPT；有了榜单，27B的开源模型和万亿参数的闭源巨兽同台，谁的电信活儿好，数字说话。

对长期被“通用大模型能力焦虑”裹挟的通信行业来说，这是一次罕见的主动权回收：考纲我们自己定，阅卷我们自己做。

四、2026年擂台战报：小个子排队上台

2026年，擂台上真正热闹起来了。9月前后，两支团队接连放出战报，都把矛头对准了闭源巨头。

第一支还是Debbah所在的团队。8月，他们发布 TelecomGPT-R1-9B（arXiv:2608.26126）：以Qwen3.5-9B为底座，用一套6.7万样本的SFT语料加上GRPO强化学习（用DAPO稳定训练），让模型学会电信领域的多步推理——在GSMA开源电信模型中排名第一，七项公开基准的均值已经接近闭源前沿模型。三周后的9月，家族新旗舰 TelecomGPT-R1（arXiv:2609.25356）把训练语料扩到10.5万条，用DAPO加任务路由的评分奖励做强化学习，27B版本在GSMA Open Telco Leaderboard的七项基准上跑出89.64%的均值——论文的原文表述是：超过了包括GPT-5、Claude和Gemini在内的领先闭源模型。

第二支是H2LooP团队，走的是另一条路。他们的 H2LooP Telecom Model v1（arXiv:2609.22241）做了两个变体：一个专攻电信知识理解与推理，另一个是代理（agentic）变体——能自主生成电信代码、解决生产仓库里的PR、提交代码。训练语料非常“运维”：3GPP标准、O-RAN规范、网络遥测数据、真实代码仓库的提交记录。成绩是：OT-Lite Pass@3加权平均81.8%，在官方社区运营的Open Telco AI Leaderboard上以31B参数排在总榜第5——排在Claude Opus 4.6、GPT-5、Gemini 3 Flash、Grok-4-fast和Kimi K2.5这些闭源旗舰前面。更有说服力的是两条“副作用”数据：通用能力MMLU保持74.0%、多轮函数调用BFCL v3保持79.0%，零灾难性遗忘——专项训练没有把通用脑子练坏。

必须说清楚边界：以上成绩全部来自论文作者的评测报告，其中榜单排名来自社区独立运营的Open Telco AI Leaderboard，属于第三方参照；但“超过GPT-5”的结论本身是论文自述，我未做独立复测。这也是读这类论文的基本姿势——数字要引用，结论留三分。

五、四大能力轴，对准了运维的四个痛点

TelecomGPT-R1系列最有工程味道的设计，是把整个电信知识体系切成四条互补的“能力轴”：协议（protocol）、知识（knowledge）、建模（modeling）、故障（fault）。训练语料按轴组织，强化学习的奖励也按轴设计。这不是学术分类游戏，四条轴对应的恰好是运维一线的四类日常工作：

作为干了十八年核心网的人，我对这套划分的观感是：它比大多数“AI运维”宣传稿诚实。 宣传稿喜欢说“AI包治百病”，而这四条轴承认了一个事实——运维知识是分层的，一个能把告警日志读明白的模型（故障轴），和一个能精确回答“这个计时器超时后终端该做什么”的模型（协议轴），需要的训练数据、推理方式和验证手段完全不同。混在一起训练，往往两头不讨好；按轴拆开，每条轴都能配上可验证的评分器，强化学习才有抓手。

H2LooP的代理变体则补上了另一块拼图：从“会答题”到“会干活”。在电信代码生成任务上，代理变体相对底座的AST相似度提升8.8%、Location IoU（错误定位的交并比）提升20.0%——翻译成人话：它不仅代码写得像样，还能自己找到该改哪里。这对网管系统二次开发、自动化脚本维护这类活，是直接可用的能力。

六、一条故障工单的AI推理链

把四条轴串起来，看一条真实故障工单在电信专用大模型手里的处理路径。以下流程是基于论文所述能力轴的示意性推演，不代表任何已上线产品的实际实现：

flowchart TD
    A[网管告警<br/>小区退服] --> B[故障轴<br/>读告警与日志]
    B --> C[初步假设<br/>传输中断或板卡异常]
    C --> D[协议轴<br/>查规范确认影响面]
    D --> E[知识轴<br/>比对历史类似工单]
    E --> F[建模轴<br/>估算影响用户数]
    F --> G{置信度够高吗}
    G -->|是| H[生成处置建议<br/>附依据与风险]
    G -->|否| I[转人工<br/>附推理过程]
    H --> J[工程师复核后执行]
    I --> J
    J --> K[结果回流<br/>更新训练语料]

这个闭环里最关键的是两个设计：每个结论必须带依据（引用了哪条规范、哪条日志），以及置信度不够就转人工（而不是硬编一个答案）。TelecomGPT-R1论文里“可验证推理单元”的思路——把思维链拆成一段段可机器验证的推理步骤——正是为了这个：让强化学习的奖励来自可验证的电信证据，而不是让模型学会“说起来像那么回事”。

七、冷思考：榜单高分不等于生产可用

给这波热潮泼三瓢冷水，都是个人观点，供参考：

第一，考纲再全也是考纲。 七项公开基准覆盖了协议、知识、建模、故障，但生产网里最难的从来不是知识本身，而是数据进得来、责任说得清。模型再强，网管数据不出生产网的安全红线不会为它改；它给出的处置建议出了事，责任主体还是人。3GPP在许多流程上允许不同实现，各厂家的私有参数字典和告警语义更是五花八门——通用电信模型能覆盖公共部分，私有部分仍要靠运营商和设备商自己做领域适配。

第二，“超过GPT-5”的口径要看清。 那是“电信基准上的均值超过”，不是全能力超过。H2LooP论文自己就很坦率：MMLU 74.0%，这个通用分在闭源旗舰面前毫无优势。行业模型赢在主场，客场依然是我的团长我的团——各打各的仗。选型时拿“电信榜单排名”直接替换“通用能力排名”，或者反过来，都是读错题。

第三，这条赛道的真正门槛在语料。 看看数字：6.7万条、10.5万条——相比通用大模型动辄万亿token的训练量，电信语料是“小米加步枪”。高质量、带推理链、可验证的行业数据，才是这场竞争里最稀缺的资产。这恰恰是运营商和设备商手里最值钱的家底：几十年积累的工单、告警、割接记录。谁把这些数据治理好、标注好，谁就掌握下一轮话语权——这也解释了为什么H2LooP要把“真实仓库提交记录”当宝贝写进语料清单。

两年，从一个一万道题的考卷，到开源小模型在行业榜单上掀翻闭源巨人——电信大模型这条线，大概是AI进通信网以来进步速度最快、且全程可公开验证的一条。对运营商来说，现在该做的不是观望，而是把自家的高价值运维语料盘出来：擂台已经搭好，卷子已经有了，缺的是你自己那支笔。

参考来源

1. TeleQnA: A Benchmark Dataset to Assess Large Language Models Telecommunications Knowledge — 首个电信大模型基准，一万道题，2023年10月，验证GPT-4在标准类题目上失分
2. TelecomGPT: A Framework to Build Telecom-Specific Large Language Models — 第一代电信专用大模型流水线，三段微调+三个新基准，2024年7月
3. TelecomGPT-R1: Unified Post-Training for Reasoning Across Heterogeneous Telecom Tasks — 27B开源电信推理模型，GSMA榜单七基准均值89.64%，2026年9月
4. TelecomGPT-R1: A Unified Open-Source Reasoner for the Telecom Stack — 9B版本，四能力轴训练框架，开源电信模型第一，2026年8月
5. H2LooP Telecom Model v1: From Telecom Comprehension to Autonomous Issue and PR Resolution — 31B行业模型，OT-Lite 81.8%，官方Open Telco AI Leaderboard第5名，2026年9月

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。