論文の概要: TelecomGPT-R1: Unified Post-Training for Reasoning Across Heterogeneous Telecom Tasks

• arxiv url: http://arxiv.org/abs/2609.25356v1
• Date: Mon, 21 Sep 2026 19:48:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.093508
• Title: TelecomGPT-R1: Unified Post-Training for Reasoning Across Heterogeneous Telecom Tasks
• Title（参考訳）: テレコムGPT-R1:異種テレコムタスク間の推論のための統一後訓練
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 37.68336126968934
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) offer great potential to automate a broad range of telecom engineering tasks by reasoning over standards, network configurations, mathematical models, source code, and operational logs. However, existing telecom LLMs struggle to reliably reason across these diverse tasks and data types. General-purpose LLMs often lack reliable grounding in telecom-specific knowledge, while telecom-specialized models are typically developed for narrower task families and exhibit limited multi-task performance. To fill this gap, we introduce TelecomGPT-R1, a family of open source unified telecom reasoning models structured around four complementary axes: protocol, knowledge, modeling, and fault. We first develop an axis-aware data generation framework that refines coarse public telecom artifacts into verified question-answer pairs and high quality chain-of-thought (CoT) reasoning trajectories, yielding a training corpus containing 104,880 examples. Building on this corpus, supervised fine-tuning (SFT) instills telecom knowledge and evidence-grounded reasoning patterns to overcome the cold start barrier for reinforcement learning (RL). We then apply dynamic sampling policy optimization (DAPO) with task-routed rubric rewards to keep RL updates informative and stable across heterogeneous telecom reasoning tasks. These rewards decompose axis-specific CoT traces into verifiable reasoning units and combine grounded dense process credit with outcome correctness, allowing RL to learn generalizable problem solving behaviors from verifiable telecom evidence. We release the TelecomGPT-R1 models and a reproducible training recipe to support further community development. Evaluations on seven benchmarks of the GSMA Open Telco Leaderboard show that the open-source TelecomGPT-R1-27B achieves an 89.64% mean score, outperforming leading proprietary models, including GPT-5, Claude, and Gemini.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、標準、ネットワーク構成、数学的モデル、ソースコード、運用ログを推論することで、幅広いテレコムエンジニアリングタスクを自動化する大きな可能性を秘めている。 しかし、既存のテレコムLLMは、これらの多様なタスクやデータタイプを確実に理にかなっている。 汎用LLMは、テレコム固有の知識の信頼性に欠けることが多いが、テレコム特化モデルは、通常より狭いタスクファミリーのために開発され、マルチタスクのパフォーマンスが制限されている。 このギャップを埋めるために、TelecomGPT-R1は、プロトコル、知識、モデリング、障害の4つの相補的軸を中心に構築された、オープンソースの統合通信推論モデルである。 まず、粗い公開通信成果物を検証された質問応答対と高品質チェーン・オブ・シークレット(CoT)推論軌道に洗練する軸対応データ生成フレームワークを開発し、104,880個のサンプルを含むトレーニングコーパスを生成する。 このコーパスに基づいて、教師付き微調整(SFT)は、強化学習(RL)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注入する。 次に, 動的サンプリングポリシ最適化 (DAPO) とタスクトラウトしたルーリック報酬を適用し, 異種テレコム推論タスクにおいてRL更新を情報的かつ安定に維持する。 これらの報酬は、軸特異的なCoTトレースを検証可能な推論単位に分解し、基底密度の高いプロセスクレジットと結果の正しさを組み合わせ、RLは検証可能なテレコム証拠から一般化可能な問題解決行動を学ぶことができる。 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。 GSMA Open Telco Leaderboardの7つのベンチマークの評価によると、オープンソースのTelecomGPT-R1-27Bの平均スコアは89.64%で、GPT-5、Claude、Geminiなど主要なプロプライエタリモデルを上回っている。

関連論文リスト

• OTel: Building Domain-Specialized Telecom LLM Foundations for Intelligent Networks [6.416771667530296]
  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。
  論文  参考訳（メタデータ） (2026-08-15T22:42:34Z)
• 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)
• CoT-Saliency: Unified Chain-of-Thought Reasoning for Heterogeneous Saliency Tasks [96.64597365827046]
  本稿では,3つの運用上不均一なサリエンシタスクを共同で処理する,最初の統合フレームワークを提案する。 タスクの不均一性を橋渡しする視覚言語モデル(VLM)において、チェーン・オブ・ソート(CoT)推論プロセスを導入する。 我々は,全タスクにまたがる特別なSOTA手法と強力なクローズドソースVLMの整合性を示す。
  論文  参考訳（メタデータ） (2025-11-01T04:37:01Z)
• MiroMind-M1: An Open-Source Advancement in Mathematical Reasoning via Context-Aware Multi-Stage Policy Optimization [74.04867639197445]
  MiroMind-M1 は Qwen-2.5 ベースのベンチマーク上に構築された完全なオープンソース RLM のセットである。 我々のモデルは2つの段階で訓練されている: SFT on a carefully curated corpus of 719K math-reasoning problem with confirmed CoT trajectories, then RLVR on 62K challenge and verible problem。
  論文  参考訳（メタデータ） (2025-07-19T16:21:23Z)
• Efficient Telecom Specific LLM: TSLAM-Mini with QLoRA and Digital Twin Data [0.0]
  汎用大規模言語モデル (LLM) は、リアルタイム通信アプリケーションにおいて、しばしば準最適性能を示す。 本研究では,ネトカイが開発したTSLAM-Miniの微調整により,この限界に対処する。
  論文  参考訳（メタデータ） (2025-05-10T12:28:47Z)
• 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)
• Enhancing Large Language Models (LLMs) for Telecommunications using Knowledge Graphs and Retrieval-Augmented Generation [52.8352968531863]
  大規模言語モデル(LLM)は、汎用自然言語処理タスクにおいて大きな進歩を遂げている。 本稿では,知識グラフ(KG)と検索拡張生成(RAG)技術を組み合わせた新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-31T15:58:08Z)
• 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)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。