arXiv发表无线物理层基础模型综述：统一架构支撑通信、定位与感知

近年来，基础模型在自然语言处理与计算机视觉领域取得显著成功，相关思路正被引入无线物理层研究。一篇发表于arXiv的综述论文系统梳理了无线物理层基础模型（Wireless Physical-Layer Foundation Models，WPFMs）的研究图景。该类模型的目标是从信道状态信息（CSI）、同相正交（IQ）样本以及频谱图等无线信号中学习可迁移表征，使单个预训练骨干网络能够以少量任务数据支撑信道估计、信道预测、定位与感知等下游任务。

论文首先建立理论基础，涵盖面向无线信号的神经网络架构、掩码建模、对比学习与生成式预训练等自监督预训练范式，以及将预训练模型适配到下游任务的微调策略。在此基础上，作者提出一个五维分类法，沿架构家族、输入模态与分词方式、预训练目标、模型规模与部署目标、泛化能力五个维度组织已有模型。

在应用层面，论文分别考察了通信、定位与感知三个领域的代表性工作，并将模型规模映射到典型无线硬件的内存、算力与时延预算，逐一分析部署可行性。最后，文章讨论了模型压缩与高效部署方法，并梳理了跨领域的共性挑战与开放研究方向。

【空音视角】 从WiFi感知与非接触监测从业者的视角看，该综述反映出行业一个清晰趋势：以CSI为代表的无线信号正被当作通用感知媒介进行基础模型化探索。预训练-微调范式有望显著降低睡眠呼吸监测、跌倒检测等场景的数据标注门槛，但能否真正落地，仍取决于边缘硬件的算力预算与模型压缩技术的成熟度，这与空音关注的低成本、低功耗部署方向高度一致。

—— 本文基于公开报道由空音编辑部 AI 辅助改写 来源：arXiv 信号处理 原文链接：https://arxiv.org/abs/2608.20486