Wireless Foundation Models: State-of-the-Art and Open Challenges
作者: Alonso M. Pacheco Huachaca, Juan J. Rodriguez Rodriguez, Ahmed Aboulfotouh, Nelson L. S. da Fonseca, Carlos A. Astudillo, Hatem Abou-Zeid
分类: eess.SP, cs.AI
发布日期: 2026-09-04
💡 一句话要点
系统分析无线基础模型以解决无线数据表示学习问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 无线基础模型 物理层应用 可重用表示 预训练策略 适应性学习 信号处理 多任务学习
📋 核心要点
- 现有无线基础模型文献在多模态和评估协议上存在碎片化，难以评估其可转移性。
- 论文系统分析无线基础模型的设计组件，提出统一框架以理解当前WFM的现状。
- 分析显示，现有模型在不同任务家族和评估设置下的可重用性证据差异显著。
📝 摘要（中文）
无线基础模型（WFM）作为从大规模无线数据中学习可重用表示并适应下游任务的有前景的方法，近年来得到了广泛关注。然而，快速增长的文献在多模态、预训练目标、架构、适应策略和评估协议上仍然存在碎片化现象，导致难以评估向广泛可转移模型的进展。本文系统分析了WFM在物理层应用中的表现，介绍了WFM设计的主要组成部分，并将文献组织为五个物理层任务家族，分析现有模型的预训练、适应和评估方式，指出当前WFM在可重用无线表示方面的证据存在显著差异，并提出了改善数据可用性、评估严谨性和实际部署的开放方向。
🔬 方法详解
问题定义：论文旨在解决无线基础模型在物理层应用中的可重用表示学习问题。现有方法在数据集、架构和评估协议上存在差异，导致难以评估模型的转移能力和泛化性能。
核心思路：通过系统分析无线基础模型的设计组件和任务家族，论文提出了一个统一框架，以便更好地理解和评估WFM的性能和适应性。
技术框架：整体架构包括预训练阶段、主干架构选择和下游任务适应。文献被组织为五个物理层任务家族，分别是信号识别与解调、信道表示学习、射频感知与定位、波束管理以及频谱感知与监测。
关键创新：论文的创新点在于提供了一个系统化的文献分析框架，揭示了不同任务家族之间的可重用性证据差异，并指出了影响模型转移和泛化的设计选择。
关键设计：在设计中，考虑了多种预训练目标、适应协议和评估设置，强调了在不同分布转移下的模型表现差异。
🖼️ 关键图片
📊 实验亮点
实验结果表明，当前无线基础模型在不同物理层任务中的可重用性证据存在显著差异，尤其是在数据集和评估设置的选择上。通过系统分析，论文为未来模型设计提供了重要的指导方向。
🎯 应用场景
该研究的潜在应用领域包括无线通信、物联网和智能交通系统等。通过改进无线基础模型的可重用性和适应性，能够提升物理层任务的性能，推动未来无线系统的智能化和自动化发展。
📄 摘要（原文）
Wireless foundation models (WFMs) have emerged as a promising approach for learning reusable representations from large-scale wireless data and adapting them to downstream tasks. However, the rapidly growing literature remains fragmented across modalities, pretraining objectives, architectures, adaptation strategies, and evaluation protocols, making it difficult to assess progress toward broadly transferable models. This survey provides a systematic analysis of WFMs for physical-layer applications. We first introduce the main WFM design components, including pretraining, backbone architectures, and downstream adaptation. We then organize the literature into five physical-layer task families: signal recognition and demodulation, channel representation learning, RF sensing and localization, beam management, and spectrum sensing and monitoring, while separately examining multi-task PHY models. Across these categories, we analyze how existing models are pretrained, adapted, and evaluated, with particular attention to downstream task diversity and the distinction between in-distribution, partial-shift, and out-of-distribution transfer. Our analysis shows that current WFMs provide increasing evidence of reusable wireless representations, but this evidence varies considerably across task families and evaluation settings. Differences in datasets, modalities, architectures, pretraining objectives, adaptation protocols, and distribution shifts make it difficult to determine which design choices drive transfer and generalization. We conclude by identifying open directions for improving data availability, evaluation rigor, generalization, efficient adaptation, and real-world deployment, providing a unified framework for understanding the current WFM landscape and the requirements for developing more reusable foundation models for future physical-layer wireless systems.