结论：结构化证据对齐使小模型在电信根因诊断上实现质变
三星研究 America 团队于 Asia/Shanghai 9月3日首次公开的预印本提出 SEKA-FT 框架，将电信根因分析从直接标签预测转为分步、可追溯的结构化推理。作者报告在 TeleLogs 上准确率由最强结构化基线的 0.256 提升至 0.942、Macro-F1 由 0.234 提升至 0.937，在独立跨集 TelecomTS 上由 0.132 提升至 0.647，两组提升均通过配对统计检验（p<0.001）；而 32B 模型的上下文学习仅 0.126，显示结构化微调远胜单纯放量。该结论为作者在受控基准上的实验结果，仍为预印本未同行评审、限两数据集验证。
研究对象与方法
研究对象为 5G/6G 电信网络中基于异构遥测的根因分析，传统规则与统计式机器学习难以兼顾跨层依赖与显式推理，普通大模型则易出现幻觉与路径不稳定。作者先系统回顾了从规则、机器学习到大模型使能的演进，归纳出链式思考、检索增强、智能体编排与可验证强化学习四类范式递进。
在此基础上，SEKA-FT 提出三组件统一微调：其一为典型上下文结构化，将用户面KPI、移动性、邻区关系与工程参数等异构输入规范为瓶颈快照、UE全局状态、轨迹事件等语义槽；其二为决策路径控制，将根因判定分解为对高速、低资源块、频繁切换、覆盖距离等可校验检查的逐步排除；其三为证据与知识锚定解释设计，将中间检查与知识引导的假设精炼与最终标签共同纳入因果语言建模监督，提示词遮掩、优化中间路径与最终决策的一致性。
评估条件与数据范围
评估在两套互补的 5G 场景进行：TeleLogs 为 GSMA 大模型基准关联的电信专用根因数据集，含结构化 KPI、移动性统计与服务小区工程参数及根因标签；TelecomTS 为实验床高分辨率多通道 KPI 时序集。基座以 Qwen2.5-1.5B-Instruct 为主，经 LoRA 对后四块变换器微调，AdamW 1e-5、梯度裁剪、12 轮、批次2、序列2048、bf16 混合精度于 RTX 6000 Ada 实现；对比基线含上下文学习（1.5B/7B/32B）、LSTM、普通微调、仅结构化输入及仅解释监督。结果取10个随机种子均值并报告95%置信区间，并以 McNemar 与配对置换检验校正多重比较。
主要结果
- TeleLogs：普通微调 0.007、仅解释监督 0.030、仅结构化输入 0.256、LSTM 0.132；SEKA-FT 达 0.942±0.006 与 0.937±0.007，训练中即快速收敛并保持稳定。 TelecomTS：上下文学习 0.033-0.061、普通微调 0.050、仅解释 0.047、仅结构化输入 0.132；SEKA-FT 达 0.647±0.004 与 0.615±0.005，较最强基线提升 0.515 与 0.477。 决策路径一致性：SEKA-FT 在高速、资源块、切换、覆盖等确定性检查上近乎完全一致，而其他基线显著偏低；序列检查使平均候选集由8经四步降至2.5，有效降低最终决策难度。 模型尺度：32B 上下文学习最高仅 0.126，轻量 1.5B 的结构化微调全面超越，表明任务关键在于证据对齐而非参数量。
以上提升均为作者报告的局部基准结果，统计显著性已在同一留出集配对检验中验证，但未主张开放现网的普遍有效性。
限制、评审状态与意义
该工作明确为预印本（arXiv:2609.02805，提交 Wed, 2 Sep 2026 16:43 UTC，对应 Asia/Shanghai 3 Sep 00:43，列于 Thu, 3 Sep 2026 的 162 篇 cs.AI 当日公告批次），尚未经期刊或会议同行评审。局限包括：仅覆盖吞吐退化、两数据集与固定可观测性；覆盖与邻区类簇间混淆仍为主要残差；依赖确定性检查模板与自动生成解释，复杂故障与长时依赖的持续有效性、计算成本与可审计性待检验。潜在意义在于将电信运维的诊断从预测映射转为可控假设精炼，为面向 6G 的可追溯、可验证的大模型运维提供了可复用的结构化监督范式，但向生产级可靠运维转化仍需独立验证与成本评估。
作者强调，可解释性与最终准确率需联合优化，结构化输入与解释各自不足，只有证据-路径-决策的联合对齐才能同时实现高准确与可追溯。