智东西

作者 | 李水青

编辑 | 漠影

智东西 8 月 12 日报道，2025 世界人工智能大会（WAIC）期间，由国务院国资委统筹指导、中国移动牵头建设的国家级 AI 开源开放平台 " 焕新社区 " 正式启动。这一平台肩负着整合央企资源、推动 AI 普惠发展的战略使命，已有 90 余家央企、50 余所高校及 20 余个组织加入。

作为首批共建单位，中兴通讯正式开源 NTele-R1-32B-V1、7B-Curr-ReFT、3B-Curr-ReFT 等 6 款自研发模型及 5 个行业数据集，以及 "Co-Sight 超级智能体 " 和配套工具链，为 AI 国家队提供技术动能，展现出 ICT 巨头向 AI 技术输出者的成功跨越。

成立 40 年的中兴通讯，不仅是全球 5G 先锋，更凭借 " 芯片 + 硬件 + 软件 + 应用 " 的软硬件综合优化及全球交付能力，成为央企数智化转型的关键伙伴。

近日，通过对话中兴通讯战略和生态首席专家屠嘉顺、中兴通讯星云通信大模型研发总工刘昆麟博士，我们对这家 ICT 巨头的 AI 实力以及 6G+AI 等垂直行业未来趋势发展有了更深入认识。

一、三大核心能力，40 年 ICT 经验助百家央企智能化转型

" 焕新社区 " 定位独特，屠嘉顺指出：" 它是一个更聚焦央国企和 To B 垂直领域的 AI 生态平台。所有的大模型及数据集，基本都面向 To B 的产业需求。" 其核心使命是解决大模型在百家央企真实场景的落地难题。

中兴通讯以 " 技术输出者 + 生态共建者 " 双重身份，通过三大能力精准补位：

1、模型与数据集开源：小样本的 " 精兵 " 策略

中兴通讯首批开源 6 个自研大模型及 5 个行业数据集，覆盖电信、多模态等关键领域，并计划持续开放训练方法、算法框架等底层能力，为国家队开发者提供基础技术支撑。

其明星成果——电信大模型 NTele-R1-32B-V1，仅用 800 个精选样本（400 数学 +400 代码），即在多项测评中超越 Qwen3-32B、QwQ-32B 等行业标杆。

中兴通讯还基于其创新训练范式，开源了 7B-Curr-ReFT 和 3B-Curr-ReFT 轻量化模型。3B-Curr-ReFT 在 AI2D 数学推理测试中准确率达 83%，超越 26B 参数的 InternVL-26B（79%）和 32B 参数的 Llava-Next-32B（81%）。

2、国产 AI 芯片生态协同：做开放的 " 连接者 "

面对 GPU 算力的短板，中兴联合国产 GPU 厂商开展软硬件协同优化。屠嘉顺坦言："GPU 算力确实是一块短板，需要耐心突破。但中兴的独特价值在于‘连接’，即集群 GPU 之间的互连技术。"

他进一步描绘了生态愿景：" 我们想象中未来的计算生态应是开放的，能将多个厂家的 GPU 放在一个资源池里协同工作。中兴致力于成为这个开放生态的‘连接者’和‘使能者’。" 不再依赖单一来源，可有效规避因个别厂商断供、技术封锁等带来的风险，这正推动着国家队智算体系的稳定性与自主可控性。

3、智能体应用落地：从 " 打工人 " 到 " 指挥官 "

值得一提的是，中兴通讯本次还开源了 "Co-Sight 超级智能体 " 及配套工具链，降低开发者创新门槛。这一超级智能体在 GAIA 基准测试中以 72.72 分夺冠。其采用 " 主管智能体 + 执行智能体 " 的协同架构和 DAG 任务引擎，将行业研究周期从数周压缩至 1 小时。

刘昆麟生动地解释了其进化：" 常规智能体像一个‘打工人’，而超级智能体更像一个‘指挥官’，能调度各种已有的智能体或服务功能协同作战。"

从技术生态视角看，中兴通讯的参与并非简单的资源堆砌，而是通过 " 模型 – 数据 – 硬件 – 应用 " 的全链条协同，为焕新社区构建起完整的技术支撑体系。

依托 40 年 ICT 经验，中兴的技术输出直击产业痛点。以电信运维为例，其自研星云大模型驱动的 " 网优专家 " 系统在云南移动实现了网络优化全流程自动化，非现场处理时长缩短 20%，用户上行速率提升 30%，有力推动了运维从 " 人工经验 " 向 " 数据驱动 " 的跃迁。

现在，这家 ICT 巨头正将其 40 年 ICT 经验迁移到百家央企数智化转型过程中，成为中国 AI 国家队不可或缺的核心力量。

二、全栈输出：从电信到千行百业，打造新质生产力

尽管大众印象中的中兴 " 强在硬件 "，但其核心竞争力实为软硬件协同优化和一站交付的全栈能力。

屠嘉顺精辟总结道：" 中兴的核心竞争力是做软硬件的协同优化，并提供‘交钥匙’的解决方案。这不是简单的卖设备，而是结合客户现有行业场景，致力于成为客户数智化转型路上的长期伙伴，通过清晰的阶段规划与持续的技术赋能，帮助客户一步步将数智化蓝图转化为现实。"

2023 年启动大模型战略后，中兴在 2025 年迎来技术爆发期：

1、小样本训练匹敌大模型：三阶数据管理直击数据痛点

中兴通讯开源的电信大模型 NTele-R1-32B-V1，以 " 小样本高效训练 " 实现性能超越，成功实践了 " 数据质量优于数量 " 的路径。

刘昆麟博士再次强调了其底层逻辑：" 这并不意味着大模型对数据量的依赖被彻底打破，而是证明：如果能找到‘量身定制’的关键数据，少量样本也能激发出匹敌大量数据的效果。"

具体来看，NTele-R1-32B-V1 实现了三阶数据管理策略的创新突破，直击大模型训练中 " 数据冗余与模式固化 " 的行业痛点：

（1）优选 " 教师模型 "，锚定高质量参考样本。研发团队选定 QwQ-32B 作为 " 教师模型 "，对初始 S1 数据集中的每个问题抽样 50 个回答，确保知识蒸馏的 " 源头质量 "。

（2）筛选高难度样本，强化复杂任务处理能力。研发团队对样本问题的回答正确性进行量化评估，保留高难度样本形成 S-hard 数据集。这种 " 靶向训练 " 策略使模型聚焦复杂任务，训练效率提升 40%。

（3）构建多样化推理路径，打破模式固化。通过计算每个问题答案之间的列文施泰因距离（字符串相似度指标），为每个问题选择最多 5 个距离最远的答案，最终形成包含 965 个样本的训练数据集，从而有效避免蒸馏过程中模型 " 死记硬背 " 单一推理路径的问题，显著提升了模型的泛化能力。

该模型的技术价值不仅在于性能指标的领先，更在于为中国 AI 国家队提供了 " 小样本训练 " 的可复制方法论。刘昆麟告诉智东西，这种聚焦场景建模、精炼数据的方法论，已成功复制到钢铁、水利等行业。

2、轻量化模型打破参数迷信：后训练激发模型智能

多模态智能领域长期存在 " 参数规模决定性能 " 的固有认知，中兴通讯推出的 Curr-ReFT（Curriculum Reinforcement Fine-Tuning）训练范式，使 3B、7B 参数的轻量化视觉语言模型（VLM）在多项任务中超越 26B、32B 大模型。

Curr-ReFT 的创新点集中在 " 课程式强化学习 " 与 " 基于拒绝采样的自提升 " 两大模块，形成闭环优化体系：

（1）课程式强化学习：三阶递进式能力培育。研发团队借鉴人类认知规律，将训练任务分为三个难度递增阶段，配合分层奖励机制，使模型能力稳步提升：

第一阶段（二元决策学习）：通过 " 是 / 否 " 类简单任务（如 " 这是苹果吗？"），快速建立基础视觉理解与简单推理能力，奖励函数聚焦 " 准确率 "。

第二阶段（多项选择学习）：引入多选项任务（如 " 水果里哪个最大？"），强化模型的细节分辨与决策能力，奖励函数兼顾 " 准确率 " 与 " 推理步骤完整性 "。

第三阶段（开放式回答学习）：以复杂开放式问题（如 " 描述这幅画的故事 "）激活综合推理能力，奖励函数涵盖 " 逻辑性 "" 流畅度 "" 信息完整性 " 多维度。

（2）拒绝采样自提升：平衡能力提升与基础技能保留。为避免模型在提升复杂推理能力时丢失基础语言技能，研发团队采用两步优化机制：

高质量样本筛选：引入大尺寸模型作为教师模型，从模型生成结果中筛选评分超过 85 分的样本（评估维度包括准确性、逻辑性、格式规范度），构建精编数据集。

自我迭代优化：以精编数据集为参考，同时混合少量多任务多领域高质量多模态数据，通过持续对比修正模型输出，在提升复杂任务处理能力的同时，确保基础语言技能不退化。

刘昆麟对此技术趋势判断明确：" 所谓的‘参数规模决定性能’的行业认知，应该早就过时了。关键在于如何通过后训练（如强化学习）更充分地激发模型潜能，将预训练阶段掌握的模糊概念凝练成解决实际业务的能力。"

他进一步指出业界共识的转变："OpenAI 近期也提出，未来强化学习可能占算力消耗的大部分，预训练只占一小部分。"

3、6G 前沿的务实 " 干粮 "：从 " 考题 " 到 " 生产力 "

整合 40 年电信领域知识，中兴通讯开源了 TFCE（Telecom Function-Calling Evaluation）数据集，成为中国 AI 国家队在通信行业的核心 " 技术弹药 "，填补了全球电信领域函数调用评估的空白。

TFCE 数据集包含 1800 余个通信专用函数、917 道 Python 实战题目，覆盖 4G、5G、6G、无线通信网络优化、物联网、网络安全等全场景，被刘昆麟称为电信 AI 的 " 标准考题 "。

他阐释了其设计理念："TFCE 避免简单的知识问答，聚焦于通信网络的智能化运维、优化业务和渐进式创新。题目设计源于真实产业痛点，是‘实战化考题’。" 这体现了中兴将 40 年工程经验转化为 AI" 养分 " 的务实作风。

TFCE 的推出为中国 AI 国家队带来多重价值：提供统一的电信 AI 模型评估标准，降低通信行业 AI 开发的入门门槛，并加速电信领域 AI 技术迭代，通过标准化测评推动模型向 " 高准确率、高适配性 " 进化。

屠嘉顺提到，未来 6G 网络中的 AI 是原生的，6G 是一个会思考的网络——在 6G 中我们可以实现云边端响应时间控制，通过边缘大模型及终端小模型，为 6G 网络管道提供思考能力，让智能无处不在。

当下，开源模型大战竞争激烈，中兴通讯相比于互联网大厂的差异化护城河何在？

屠嘉顺一语道破本质：" 方向上有较大区别。现在的互联网公司大量做 To C 业务，中兴更聚焦 To B 领域，用‘连接 + 算力’全栈能力为钢铁、电力、金融等行业提供端到端解决方案。" 其护城河源于三方面：

1、前瞻布局：随着 2022 年底 ChatGPT 爆发，整个通信行业深受其影响。中兴通信发现 6G 是 AI 内生的，2023 年初就制定大模型战略，2024 年发布千亿级 MoE 通信模型，至今加速迭代出多款开源大模型及数据集，落地行业，并成为焕新社区的技术输出者。

2、场景 Know-How：40 年电信经验沉淀为可复用的行业知识图谱。刘昆麟强调：" 数据只是表象，真正护城河是能稳定产生数据的场景。真正产生价值的，是让模型到真实系统里去交互，这一过程积累的语料和迭代经验，是比单纯数据更高效的资产。"

3、研发效能革新：中兴通讯内部进行了 AI 研发绩效工具创新，从而大幅提升人效，加速了技术迭代。

从电信行业中来，到千行百业中去。行业案例成为中兴通讯全栈实力的最佳印证。

在云南泼水节保障案例中，面对 200 万游客的网络洪峰，中兴 " 大模型 + 智能融合板 " 双智协同体系对 180 个基站实施精准护航，达成 " 零卡顿感知、零中断服务、零重大投诉 " 的 " 三零 " 目标，高负荷小区占比降 20% 以上，直播上行速率提升 30%。

结语：AI 使能者入局，加速 AI 普惠新生态

从 NTele-R1-32B-V1 的小样本 " 精兵训练 "，到 Curr-ReFT 激发小模型的 " 潜能革命 "；从 TFCE 深入产业的 " 标准考题 "，到 Co-Sight 指挥多智能体的 " 超级指挥官 "，中兴通讯以全栈开源的 " 干粮 "，为 AI 国家队构建起坚实的技术底座。其星云大模型已在电力、金融、钢铁等千行百业落地生根。当这家拥有 40 年深厚 ICT 功底的巨头，以开放之姿躬身入局 AI 国家队，以 " 交钥匙 " 的务实态度赋能百家央企，中国 AI 的 " 新质生产力 " 图景，正加速从愿景照进现实。