无线接收机通常被要求跨站点泛化，但部署后的基站会反复面对同一组墙体、散射体和干扰几何。特定站点微调由此提出一个问题：能否利用这些重复环境改善解码，同时不增加接收机推理阶段的模型规模？
一项新的公开研究使用标准兼容的 5G NR 测试平台进行实测，并比较三类接收机，而不是假设所有算法都能从本地数据中获得相同收益。
架构决定站点数据能提供多少增益
研究对象包括全可训练神经接收机、模型驱动神经接收机，以及结构约束更强的模型接收机。公开摘要称，特定站点微调显著改善前两类接收机，而可调参数较少的模型方案只获得有限提升。
这种差别说明，本地数据只有在接收机具备表达站点重复结构的参数时才有价值。更强的物理先验会缩小可适应空间；更灵活的神经模块可以吸收更多环境信息，但也可能更依赖测量是否具有代表性。
证据包含双层上行和跨时间测量
训练与评估数据来自 ETH Zurich 的 5G NR 测试平台，采用实测双层上行传输。测量活动之间相隔六个月以上，公开摘要报告特定站点微调的效果在这一时间间隔后仍然存在。
摘要还指出，一个同时面向单层和双层传输微调的神经接收机，表现接近为两种配置分别微调的接收机。这说明在所评估系统中，共享配置没有消除本地适应收益。
经典信道估计同样能利用本地统计量
论文还比较了线性最小均方误差信道估计：协方差矩阵分别来自合成信道或站点实测数据。与迭代检测和解码结合后，使用站点特定协方差的方案在公开数据集中取得最低错误率。
这项结果不能说明每个站点都必须维护独立模型。证据来自一个测试平台和有限测量活动；数据采集成本、重训练周期、分布漂移、监督方式、失效检测，以及环境变化后的安全回退仍是部署问题。
研究札记
On the Impact of Site-Specific Training for a Real-World 5G NR System
作者：Reinhard Wiesmayr、Nuri Berke Baytekin、Chris Dick、Christoph Studer。
状态：2026 年 9 月 3 日公开的 arXiv 记录。
公开证据说明：论文在标准兼容的实测双层 5G NR 上行中比较三类接收机，并报告神经接收机的特定站点微调在相隔六个月以上的测量活动之间仍有效。
限制：单一实测平台不能证明跨站点泛化、重训练成本、长期漂移处理或其他网络中的安全部署流程。