論文の概要: TelecomGPT-R1: A Unified Open-Source Reasoner for the Telecom Stack

• arxiv url: http://arxiv.org/abs/2608.26126v1
• Date: Mon, 22 Jun 2026 08:17:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.353499
• Title: TelecomGPT-R1: A Unified Open-Source Reasoner for the Telecom Stack
• Title（参考訳）: TelecomGPT-R1: Telecom Stack用の統一オープンソースレゾナ
• Abstract要約: 電気通信は、大規模言語モデル(LLM)に基づく推論のための高平均領域である。 TelecomGPT-R1-9Bは、GSMAのオープンテレコリーダーボードで最高の成績を収めた、統一されたオープンソーステレコム推論器です。
• 参考スコア（独自算出の注目度）: 45.38797789570095
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Telecommunications is a high-leverage domain for large language model (LLM)-based reasoning because routine engineering workflows require joint grounding in normative specifications, operational telemetry, vendor-specific fault evidence, and exact RF/network calculations. However, current LLM integration in telecom remains bottlenecked by a two-sided capability gap: generic reasoners often lack telecom-specific grounding, while domain-specific telecom LLMs remain limited in structured, multi-step reasoning. To bridge this gap, we release TelecomGPT-R1-9B, a unified open-source telecom reasoner that ranks top-performing on the GSMA open telco leaderboard. Specifically, we curate a 67,427-example supervised fine-tuning (SFT) corpus organized around four complementary reasoning axes: protocol, knowledge, modeling, and fault. The corpus is built from axis-matched public web sources and enhanced through axis-specific chain-of-thought (CoT) generation and prefix-continuation self-validation. Starting from Qwen3.5-9B, we further develop a two-stage post-training recipe. First, multi-teacher low-rank adaptation (LoRA)-based SFT injects telecom knowledge and induces axis-specific reasoning formats. Second, group relative policy optimization (GRPO), stabilized by decoupled clip and dynamic sampling policy optimization (DAPO), optimizes the policy using four axis-aligned binary verifier rewards. Across seven public telecom benchmarks, TelecomGPT-R1-9B ranks first among open-source telecom LLMs and achieves a seven-axis mean comparable to state-of-the-art closed-source frontier reasoners.
• Abstract（参考訳）: 電気通信は大規模言語モデル(LLM)に基づく推論において,標準仕様,運用テレメトリ,ベンダ固有のフォールトエビデンス,正確なRF/ネットワーク計算の併用を必要とするため,平均的なドメインである。 しかし、テレコムにおける現在のLLM統合は、両面の能力ギャップによってボトルネックを被っている: ジェネリック推論は、しばしばテレコム固有の基盤を欠いているが、ドメイン固有のLLMは、構造化されたマルチステップの推論に限られている。 このギャップを埋めるために、我々は、GSMAオープンテレコリーダーボードで最高の成績を収めた、統一されたオープンソーステレコム推論器であるTelecomGPT-R1-9Bをリリースした。 具体的には、プロトコル、知識、モデリング、障害の4つの補完的推論軸を中心に構成された67,427個の教師付き微調整コーパスをキュレートする。 コーパスは、軸整合された公開Webソースから構築され、軸特異的チェーン・オブ・シント(CoT)生成とプレフィックスの継続による自己検証によって強化される。 Qwen3.5-9Bを皮切りに、我々はさらに2段階のポストトレーニングレシピを開発した。 まず、マルチ教師ローランク適応(LoRA)に基づくSFTは、通信知識を注入し、軸固有の推論形式を誘導する。 第2に、分離されたクリップと動的サンプリングポリシー最適化(DAPO)によって安定化されたグループ相対ポリシー最適化(GRPO)は、4つの軸整列バイナリ検証報酬を用いてポリシーを最適化する。 7つの公開テレコムベンチマークの中で、TelecomGPT-R1-9BはオープンソーステレコムLLMの中で第1位であり、最先端のクローズドソースフロンティア理論に匹敵する7軸平均を達成した。

関連論文リスト

• TelecomGPT-R1: Unified Post-Training for Reasoning Across Heterogeneous Telecom Tasks [37.68336126968934]
  TelecomGPT-R1は、オープンソースの統合テレコム推論モデルである。 強化学習のためのコールドスタート障壁を克服するために、テレコムの知識と根拠に基づく推論パターンを取り入れている。 我々は、TelecomGPT-R1モデルと再現可能なトレーニングレシピをリリースし、さらなるコミュニティ開発を支援した。
  論文  参考訳（メタデータ） (2026-09-21T19:48:02Z)
• H2LooP Telecom Model v1: From Telecom Comprehension to Autonomous Issue and PR Resolution [12.398594139609207]
  通信業界向けに微調整されたドメイン特化大型言語モデルであるH2LooP Telecom Model v1を紹介する。 H2LooP TelecomはGSMA Open Telecom Liteベンチマークとプロプライエタリなテレコムコード生成ベンチマークで強力な結果を得る。
  論文  参考訳（メタデータ） (2026-09-04T13:27:17Z)
• 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)
• TeleCom-Bench: How Far Are Large Language Models from Industrial Telecommunication Applications? [12.347241408492279]
  提案するTeleCom-Benchは,22,678個のキュレートされたサンプルを用いた12の評価セットからなる総合的なベンチマークであり,大規模言語モデルの評価を行う。 現在のLSMは診断技師として機能するが、現場エンジニアとして機能しないことを示す。 この能力ギャップは、現在のLLMが診断医として機能するが、現場エンジニアとして機能しないことを示す。
  論文  参考訳（メタデータ） (2026-05-18T08:14:49Z)
• 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)
• WDMoE: Wireless Distributed Large Language Models with Mixture of Experts [65.57581050707738]
  我々は,Mixture of Experts (MoE)に基づく無線分散大言語モデル(LLM)パラダイムを提案する。 我々は,基地局(BS)とモバイルデバイスにゲーティングネットワークと先行するニューラルネットワーク層を配置することにより,LLM内のMoE層を分解する。 我々は、モデルの性能とエンドツーエンドのレイテンシの両方を考慮して、専門家の選択ポリシーを設計する。
  論文  参考訳（メタデータ） (2024-05-06T02:55:50Z)
• Semi-Federated Learning: Convergence Analysis and Optimization of A Hybrid Learning Framework [70.83511997272457]
  本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。 我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
  論文  参考訳（メタデータ） (2023-10-04T03:32:39Z)
• Federated Learning for Energy-limited Wireless Networks: A Partial Model Aggregation Approach [79.59560136273917]
  デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。 提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
  論文  参考訳（メタデータ） (2022-04-20T19:09:52Z)
• Learning Resilient Radio Resource Management Policies with Graph Neural Networks [124.89036526192268]
  我々は、ユーザ当たりの最小容量制約でレジリエントな無線リソース管理問題を定式化する。 有限個のパラメータ集合を用いてユーザ選択と電力制御ポリシーをパラメータ化できることを示す。 このような適応により,提案手法は平均レートと5番目のパーセンタイルレートとの良好なトレードオフを実現する。
  論文  参考訳（メタデータ） (2022-03-07T19:40:39Z)
• Federated Learning over Wireless IoT Networks with Optimized Communication and Resources [98.18365881575805]
  協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。 無線システム上での高速応答および高精度FLスキームの検証が重要である。 提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
  論文  参考訳（メタデータ） (2021-10-22T13:25:57Z)

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。