精确的信道状态信息（CSI）是B5G/6G MIMO-OFDM无线通信系统设计的基石，在预编码和资源分配等关键任务中发挥着决定性作用。然而，传统的基于信道估计的CSI获取方式在高速移动等复杂场景中易受到“信道老化”等问题影响，严重制约系统性能。相比之下，信道预测技术通过预测获取CSI，大大降低了信道估计和反馈开销，显著提升了系统频谱效率，因而在过去几十年中得到了广泛研究，如图1所示。早期工作探索了基于参数化模型的信道预测方案，但其性能严重依赖于信道模型的准确度。而基于深度学习小模型的方案在高动态等复杂环境下性能受限，且泛化能力较差，难以满足未来通信系统高速率和低开销的要求。

近年来，基座模型的兴起推动了深度学习范式的变革，即通过在大规模数据集上进行自监督预训练，基座模型可以在多种下游任务中展现出卓越的泛化能力，并大幅超越任务专用模型。基座模型在自然语言处理等领域取得了突破性进展，催生了以ChatGPT和DeepSeek为代表的大语言模型（LLM）。前期LLM赋能通信物理层的相关工作局限于语言形式和语义提取等相关任务，难以直接处理非语言形式的信道预测任务。突破语言局限，团队前期工作（LLM4CP）首次将LLM应用于信道预测任务，通过微调技术实现预训练LLM的通用知识迁移，提升了预测精度和泛化能力。然而，由于语言域和信道域的天然差异，LLM4CP在面临超高速移动场景时仍然性能不足。当迁移到新场景时，LLM4CP只能降低而无法完全避免额外的数据收集和训练开销。此外，现有基于深度学习小模型和LLM的方案均针对时域和频域两种信道预测任务单独设计网络，大大增加了基站侧模型部署开销。

综上所述，由于并非针对信道域进行构建，基于通用基座模型（LLM）的信道预测方案在预测精度和泛化能力方面存在局限，无法从根本上突破传统深度学习设计范式，无法打破新场景需重新训练和模型分立设计的瓶颈。那么，能否针对信道域构建专用的无线基座模型，在大幅提升预测精度的同时实现一模多用，并能够直接应用于新场景而不加任何微调？团队对该问题首次进行了初步探索和系统回答，提出了首个面向信道预测的无线基座模型WiFo（WirelessFoundation Model），开辟了全新的信道预测设计范式，从根本上克服了现有基于深度学习小模型和LLM信道预测方案的局限性，开创了信道预测技术的基座模型时代。

图1 信道预测技术发展历史

打破分立设计的瓶颈，WiFo首次将时域和频域的MIMO-OFDM信道预测统一建模为信道重建任务。为解决信道预测任务和CSI数据的异构性，提出了一种基于掩码自编码器（MAE）的网络架构，从而可以处理任意尺寸的三维CSI数据并应用于异构的信道预测任务。同时，设计了一种新的空时频位置编码结构，以学习CSI样本的三维位置信息。为充分捕获通用的信道空时频特征，设计了三种自监督预训练任务，即随机掩码重建，时域掩码重建和频域掩码重建。预训练后的WiFo可直接零样本用于信道预测任务，而无需额外训练。

图2 WiFo网络架构图

团队基于QuaDRiGa仿真器构建了大规模异构CSI数据集，包括16个预训练数据集（包括16万条CSI训练样本）和3个泛化性测试数据集，覆盖多种场景、用户速度、频点、天线和时间等配置，并考虑了5种参数量大小（从0.3M到86.1M）的模型，如表1和表2所示。WiFo在16个预训练数据集的时域和频域预测结果分别如表3和表4所示，WiFo的平均NMSE（归一化均方根误差）性能达到SOTA，并且在大多数数据集上实现最优或次优，说明WiFo能够同时在多个异构数据集上训练，并同时掌握时域和频域预测，实现“一模多用”。值得注意的是，为完成上述16个数据集上的时域和频域信道预测任务，每种对比方案需要训练32个单独的模型，而WiFo仅需训练1个模型。以D17数据集为例，WiFo的零样本泛化性能如图3所示。对比方案的零样本泛化能力较差，难以有效预测，而WiFo的零样本泛化性能超越了所有对比方案的全样本训练性能，有望不加微调直接部署于新场景。此外，WiFo-Base的参数量仅为LLM4CP的1/4，而推理时间与普通小模型相当，有望实际部署。

表1 大规模仿真CSI数据集

表2 WiFo的5种模型参数配置

表3 WiFo-Base和其他对比方案在D1-D16数据集上时域信道预测的NMSE

表4 WiFo-Base和其他对比方案在D1-D16数据集上频域信道预测的NMSE

图3 D17数据集：WiFo零样本预测NMSE和对比方案的全样本/零样本预测NMSE

该工作的主要亮点如下：

（1）首个面向信道预测的无线基座模型和首个零样本信道预测方案，首次实现一个模型同时解决异构的信道预测任务和多样的CSI数据。

（2）设计了基于MAE的无线基座模型架构以解决任务与数据异构性，并设计多种掩码重建自监督预训练任务以充分捕获空时频信道特征。

（3）构建了大规模异构数据集用于预训练（训练样本数16万），仿真结果说明WiFo具备优越的多数据集联合学习能力，在新场景上的零样本预测性能超越对比方案的全样本性能，并具备与普通深度学习小模型相当的推理开销。

文章信息：

该研究成果以“WiFo: Wireless Foundation Model for Channel Prediction”为题被期刊SCIENCE CHINA Information Sciences（IF=7.3，JCR Q1，CCF-A类期刊）接收。北京大学为该研究工作的第一完成单位，合作单位包括香港科技大学（广州）。程翔教授为该论文的通讯作者，北京大学博士生刘伯珣为第一作者。这项工作得到了国家自然科学基金委杰出青年科学基金、国家重点研发计划、新基石科学基金会科学探索奖等项目的支持。

论文地址：

https://www.sciengine.com/SCIS/doi/10.1007/s11432-025-4349-0

代码和数据开源地址：

https://github.com/liuboxun/WiFo