Fugu-MT 論文翻訳(概要): OTel: Building Domain-Specialized Telecom LLM Foundations for Intelligent Networks

論文の概要: OTel: Building Domain-Specialized Telecom LLM Foundations for Intelligent Networks

arxiv url: http://arxiv.org/abs/2608.15436v1
Date: Sat, 15 Aug 2026 22:42:34 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-18 19:59:03.2988
Title: OTel: Building Domain-Specialized Telecom LLM Foundations for Intelligent Networks
Title（参考訳）: OTel: インテリジェントネットワークのためのドメイン特化Telecom LLMファウンデーションの構築
Abstract要約: オープンなテレコムAIリソースであるOpen Telcoについて紹介する。 2026年5月3日時点で、リリースされたモデルは1600万回以上ダウンロードされており、プロジェクトは世界中で157件以上のメディア報道を受けている。
参考スコア（独自算出の注目度）: 6.416771667530296
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Frontier AI models have advanced rapidly, but they still struggle with telecom-specific tasks. We present Open Telco (OTel), an open telecom AI resource with derived datasets for retrieval, reranking, instruction tuning, and safety/abstention, plus 30 full-parameter post-trained baselines across embedding, reranking, and language models. The community has already engaged substantially with the resource: as of May 3, 2026, the released models have been downloaded over 16 million times, and the project has received 157+ pieces of media coverage worldwide. Building on prior open telecom datasets and benchmarks, OTel provides documented telecom data sources, held-out evaluation partitions, trained embedding models, rerankers, context-grounded LLMs, and safety/abstention data in one unified resource. OTel post-training improves performance across all three model families: embedding retrieval reaches 93.5% NDCG@10, reranking reaches 0.952 MRR@10, and language-model correctness reaches 88.2%. We release OTel as a reproducible starting point and invite the community to expand the data, improve embedding and reranking models, and build stronger context-grounded telecom LLMs.
Abstract（参考訳）: フロンティアAIモデルは急速に進歩しているが、テレコム固有のタスクに苦戦している。私たちはオープンなテレコムAIリソースであるOpen Telco(OTel)を紹介します。このリソースは、検索、リグレード、命令チューニング、安全/保護のための派生データセットと、埋め込み、リグレード、言語モデルにまたがる30のトレーニング後のベースラインを提供します。 2026年5月3日時点で、リリースされたモデルは1600万回以上ダウンロードされており、プロジェクトは世界中で157件以上のメディア報道を受けている。以前のオープンなテレコムデータセットとベンチマークに基づいてOTelは、ドキュメント化された通信データソース、ホールドアウト評価パーティション、トレーニングされた埋め込みモデル、リランカ、コンテキストグラウンドのLLM、安全/保護データを1つの統一リソースで提供する。 OTelのポストトレーニングにより、3つのモデルファミリのパフォーマンスが向上し、埋め込み検索は93.5% NDCG@10、再ランクは0.952 MRR@10、言語モデルの正しさは88.2%に達した。我々は、OTelを再現可能な出発点としてリリースし、コミュニティにデータを拡大し、埋め込みとモデルのランク付けを改善し、より強力なコンテキストグラウンドのLLMを構築します。

関連論文リスト

From Production Traffic to Post-Training: Building a Self-Hosted LLM That Covers the Corporate Request Mix [55.08143827481755]
200以上の内部アプリケーションから1つのモデルにトラフィックを集約します。我々は、各軸ごとに別々のGRPOエキスパートを訓練し、2段階のSLERPを介してそれらをマージする。このモデルは、プラットフォームトラフィックの50%、月1億6600万リクエストをサービスコストのごく一部で吸収する。
論文参考訳（メタデータ） (2026-09-01T17:39:26Z)
CRAFT: Fine-Tuning Pre-hoc Explainability in AI-native 6G RAN [2.2508462342902633]
我々はCRAFT(Cold-start Reasoning Alignment)を提案する。低ランク適応 (LoRA) を用いた検証データ上での CRAFT SLM の微細構造はGRPO 法よりも計算時間と壁面時間を大幅に短縮する。我々は、CRAFTがGRPOベースのベースラインよりも59%少ないエネルギーを消費していることを示し、6G RANにデプロイ可能で監査可能なAIへの持続的なパスを提供する。
論文参考訳（メタデータ） (2026-09-01T02:30:02Z)
Scalable Behavior Cloning with Open Data, Training, and Evaluation [95.62769878386815]
ABCは,動作のクローン処理のためのオープンソーススタックである。 ABC-130Kは、これまでで最大のオープンソースの遠隔操作データセットであり、195の多様なタスクにわたる130Kエピソードにまたがる3500時間のデータを特徴としている。アクセス可能なハードウェアセットアップ、トレーニングインフラストラクチャ、シミュレーションパイプラインもオープンソースで公開しています。
論文参考訳（メタデータ） (2026-06-25T17:59:57Z)
OpenThoughts-Agent: Data Recipes for Agentic Models [99.10629645072653]
OT-Agentプロジェクトはエージェントモデルをトレーニングするための完全にオープンなデータキュレーションパイプラインである。パイプラインの各段階について100以上の制御アブレーション実験を行った。このデータセットには、パイプラインから100Kのサンプルと微調整されたQwen3-32Bのトレーニングセットが組み込まれています。
論文参考訳（メタデータ） (2026-06-23T17:34:29Z)
OpenOneRec Technical Report [99.17075873619352]
OneRecシリーズは、断片化されたレコメンデーションパイプラインをエンドツーエンドの生成フレームワークにうまく統合した。 OneRec Foundation (1.7B と 8B) は、新しい最先端(SOTA)を確立するモデルのファミリであり、RecIF-Benchのすべてのタスクにまたがる結果である。 Amazonベンチマークに移行すると、当社のモデルは10種類のデータセットに対して平均26.8%のRecall@10の改善により、最強のベースラインを越えた。
論文参考訳（メタデータ） (2025-12-31T10:15:53Z)
Goedel-Prover-V2: Scaling Formal Theorem Proving with Scaffolded Data Synthesis and Self-Correction [95.91743732150233]
一連のオープンソースの言語モデルであるGoedel-Prover-V2は、自動定理の新たな最先端を証明した。我々は、より複雑な定理をマスターするためにモデルを訓練することの困難さを増す合成タスクを生成する。 Goedel-Prover-V2-32Bは、標準モードのpass@32でMiniF2Fの88.1%、自己補正モードの90.4%を達成する。
論文参考訳（メタデータ） (2025-08-05T16:28:22Z)
Optimized Text Embedding Models and Benchmarks for Amharic Passage Retrieval [49.1574468325115]
トレーニング済みのAmharic BERTとRoBERTaのバックボーンをベースとした,Amharic固有の高密度検索モデルを提案する。提案したRoBERTa-Base-Amharic-Embedモデル(110Mパラメータ)は,MRR@10の相対的な改善を17.6%達成する。 RoBERTa-Medium-Amharic-Embed (42M)のようなよりコンパクトな派生型は13倍以上小さいまま競争力を維持している。
論文参考訳（メタデータ） (2025-05-25T23:06:20Z)
T-VEC: A Telecom-Specific Vectorization Model with Enhanced Semantic Understanding via Deep Triplet Loss Fine-Tuning [0.0]
本稿では,Gte-Qwen2-1.5B-インストラクトバックボーンを微調整したドメイン適応埋め込みモデルであるT-VECについて述べる。 T-VECはMPNet, BGE, Jina, E5を超越し, テレコム固有の検索において, 優れたドメイン基盤とセマンティック精度を示す。我々はT-VECとそのトークン化ツールをリリースし、テレコムドメイン内で意味的に忠実なNLPアプリケーションをサポートする。
論文参考訳（メタデータ） (2025-04-23T07:10:37Z)
TelecomGPT: A Framework to Build Telecom-Specfic Large Language Models [7.015008083968722]
大きな言語モデル(LLM)は、第6世代(6G)通信ネットワークに革命をもたらす可能性がある。本稿では,汎用LLMを通信用LLMに適応させるパイプラインを提案する。既存の評価ベンチマークを拡張し、Telecom Math Modeling、Telecom Open QnA、Telecom Code Tasksという3つの新しいベンチマークを提案する。
論文参考訳（メタデータ） (2024-07-12T16:51:02Z)
OpenMathInstruct-1: A 1.8 Million Math Instruction Tuning Dataset [8.080585423915075]
1.8M 問題解対を持つ数学指導用チューニングデータセット OpenMathInstruct-1 を構築した。このデータセットは、2つの人気のある数学推論ベンチマークであるGSM8KとMATHのコード解釈ソリューションを合成することによって構築される。我々の最良のモデルであるOpenMath-CodeLlama-70Bは、OpenMath Instruct-1のサブセットでトレーニングされ、GSM8Kで84.6%、MATHで50.7%のスコアを得た。
論文参考訳（メタデータ） (2024-02-15T18:26:11Z)
TeleQnA: A Benchmark Dataset to Assess Large Language Models Telecommunications Knowledge [26.302396162473293]
TeleQnAは、電気通信におけるLLM(Large Language Models)の知識を評価するために設計された最初のベンチマークデータセットである。本稿では,このデータセット作成に責任を負う自動質問生成フレームワークについて概説する。データセットはGitHubで公開されている。
論文参考訳（メタデータ） (2023-10-23T15:55:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。