据《Scientific Reports》2026年10月11日发表的一项研究，来自印度SRM大学安得拉邦分校、斋浦尔曼尼帕尔大学和Parul大学的研究者提出FALCON-6G（Federated AI and LLM-Oriented Cognitive Optimization in 6G Networks）框架，尝试把大语言模型的推理能力与联邦人工智能的分布式训练结合起来，用于6G网络中的流量预测、异常检测和自适应资源管理。论文原文
研究关注的是6G和开放无线接入网（Open RAN）中的两个现实约束：不同参与方的数据通常不能直接汇总，且网络状态变化要求系统较快作出决策。FALCON-6G在联邦学习设置下使用50个参与客户端，并进行200轮全局通信，在两组Open RAN数据集和四组入侵检测数据集上开展实验。以FedAvg为对照，论文报告称，该方法使吞吐量预测准确率平均相对提高22.7%，决策延迟降低17.6%；在入侵检测任务中，F1分数最高相对提高23.9%，通信开销降低34.0%。这些数字属于论文实验结果，不能直接等同于真实商用网络中的性能提升。
这项工作的价值在于，它把“数据不出域”的联邦训练机制与面向网络运维的语言模型能力放进同一套框架，指向电信网络中较具体的自动化场景。不过，论文也明确承认，当前评估主要基于基准数据集，尚未在大规模、实时的6G或O-RAN环境中验证。因此，模型面对非独立同分布数据、突发流量、设备异构和安全攻击时的稳定性，仍需要实际部署测试；同时，语言模型参与网络决策时的可解释性、错误回退机制和通信成本，也会影响其工程可用性。现阶段更适合把FALCON-6G视为一种研究框架和实验性方案，而不是已经成熟的6G网络产品。
参考来源：
- Enhancing network science with large language models and federated artificial intelligence 2026-10-11
由 AI 整理，仅供参考；请以原始来源为准。
