6G 推理能有多小？面向 AI 原生网络扩展微型语言模型

本文针对 6G AI 原生网络中前沿大模型计算开销过大的问题，系统研究了紧凑语言模型的缩放行为与部署效率。利用包含 30 个决策任务的 6G-Bench 基准，评估了从 1.35 亿到 70 亿参数的模型。研究发现，10 亿至 15 亿参数区间存在显著的稳定性跃迁，而超过 30 亿参数后性能提升递减。通过引入边缘得分指标，证明中等规模模型在确定性稳定性与计算效率间取得了最佳平衡，为资源受限环境下的语义推理部署提供了关键指导。