https://www.softbank.jp/en/corp/news/press/sbkk/2025/20251029_01/

在日本国内完成端到端开发与运营的安全生成式 AI 基础模型，
由国产大语言模型 “Sarashina” 驱动

2025 年 10 月 29 日
SoftBank Corp.

SoftBank Corp.（以下简称“SoftBank”）宣布，其面向电信行业的生成式 AI 基础模型 “Large Telecom Model（LTM）”1，通过整合由 SoftBank 子公司 SB Intuitions Corp.（以下简称“SB Intuitions”） 开发、具备强大日语能力的国产大语言模型（LLM）“Sarashina”*，已演进为一款日本本土开发的 AI 模型。此次演进实现了 在日本国内完成的端到端安全数据处理。SoftBank 依托自身庞大的专有网络数据，以及多年积累的网络设计、管理与运维经验，在日本国内的数据中心内完成训练与推理，构建了一套安全、可靠的生成式 AI 基础模型。

SoftBank 已开始在内部使用这一演进为日本国产 AI 模型的 LTM，以提升移动通信网络运维的效率与智能化水平。在大型活动期间进行通信质量预测的应用验证中，SoftBank 确认该模型与活动当日的实际测量数据相比，预测准确率 超过 90%。

此外，SoftBank 还通过引入 强化学习*2 进一步增强 LTM 的能力，构建可持续进化的自主学习环境，使 AI 能够不断优化通信网络。

通过国产大语言模型 Sarashina 实现日本本土 AI 模型

自 2024 年起，SoftBank 着手开发 LTM，旨在提升移动通信网络运维的效率与智能化程度。借助 LTM，过去需要人工或仅部分自动化、耗时数天的网络运维工作，如今可在数分钟内完成，同时保持同等精度。这不仅降低了人为错误和对个人经验的依赖，也显著缩短了整体运维时间。

此前，LTM 基于通用型大语言模型构建，在许可和合规性方面存在一定挑战；同时，这类模型主要基于英文数据训练，难以准确理解和表达日语中复杂的语义细节与语境。

为解决上述问题，SoftBank 将 SB Intuitions 开发、具备卓越日语处理能力的国产大语言模型 Sarashina 集成至 LTM 中。该整合实现了从数据训练到实际运行 完全在日本国内完成的 AI 处理流程，从而构建了一款能够安全处理敏感信息的日本国产 AI 模型。全新的 LTM 能够准确理解日本特有的复杂语境与专业技术术语，为运维工作提供更高级的支持，显著提升效率与便利性。

此外，由于系统可在高度安全的环境中运行，SoftBank 也在考虑未来向外部合作伙伴拓展相关服务。

通过 LTM 提升网络运维的效率与智能化水平

SoftBank 已开始在内部使用这一国产化的 LTM，并持续推进其能力提升与应用范围扩展。目前，围绕 基站配置优化 和 通信质量提升 等应用场景的验证测试正在进行中。

例如，在大型活动期间优化基站配置，需要对快速变化的网络状况进行准确预测，并提前理解活动当天的环境特征。为满足这些需求，SoftBank 对 LTM 进行了定制化微调，开发了 “通信质量预测模型”，该模型专门用于预测任意时间点的基站通信质量。通过输入目标区域的预期终端连接数量、基站频段以及可调配置参数等信息，模型即可输出通信质量预测结果。

在实际应用中，SoftBank 将该模型用于预测 2025 年 9 月 27 日 于东京北区举办的 北区烟花大会 期间的通信质量。由于该区域容易出现业务量集中和多基站信号叠加的情况，SoftBank 向 LTM 提供了 超过 1,000 种模拟基站条件，用于预测各基站连接数变化。将预测结果与活动当天的实际测量数据进行对比后发现，该模型在各频段的通信质量预测准确率 超过 90%。

通过强化学习增强 LTM 能力

为进一步提升 LTM 的能力，SoftBank 将其升级为一种 推理模型（Reasoning Model），融合了 *思维链（Chain of Thought，CoT）3 生成与 强化学习（Reinforcement Learning，RL） 的洞察。全新的推理模型能够执行传统非推理模型难以胜任的高级推断任务，例如数学计算与逻辑分析。此外，通过将模型的思考过程进行可视化，人类操作人员如今可以回溯并分析 LTM 作出决策时所依据的推理逻辑。

SoftBank 还在探索将推理模型开发中采用的强化学习技术应用于 LTM 的新使用场景。其中一项举措是基于 无线电波传播仿真器 的计算结果来设定强化学习的奖励机制，从而构建一个使 LTM 能够持续学习并实现最优无线电环境的学习体系。由此，LTM 不再仅仅通过传统的 监督学习*4 来模仿专家判断，而有望 超越人类专家经验，实现更高水平的运维优化。

SoftBank 将继续在完全基于日本国内运行的国产 AI 模型所提供的安全训练与推理环境下，拓展 LTM 的应用领域。通过这些努力，SoftBank 旨在减少对个人经验的依赖、降低运维负担，并提升网络管理的整体效率。同时，通过进一步推进 LTM 的内部应用，SoftBank 也希望为用户提供更高质量的移动通信服务。此外，SoftBank 还将加强与高校及研究机构的合作，引入最新技术，不断提升 AI 模型的精度与性能。

SoftBank Corp. 执行副总裁兼 CTO 佃秀之（Hideyuki Tsukuda） 表示：
“LTM 是 SoftBank 为提升网络运维效率与智能化水平而自主研发的生成式 AI 基础模型。我们长期致力于自动化，而 LTM 使基于 AI 的自主运维成为可能，能够复现资深工程师的专业知识与决策能力，从而推动基站优化并提升通信质量。
未来，随着 LTM 演进为日本本土开发的 AI 模型，我们将能够在安全前提下充分利用内部专业知识和敏感数据，进一步增强网络运维的可靠性。”

【注释】
*1 有关 “Large Telecom Model（LTM）” 的更多信息，请参阅 2025 年 3 月 19 日发布的新闻稿：《Development of “Large Telecom Model” (LTM), a Generative AI Foundation Model for the Telecommunications Industry》。
*2 强化学习：一种使 AI 通过采取行动并以结果为依据获得“奖励”，从而自主学习并逐步最大化奖励的学习方法。
*3 思维链（Chain of Thought，CoT）：指 AI 在给出最终答案之前，先生成逐步推理过程（一系列中间思考步骤）的方法。
*4 监督学习：一种利用预先标注好的正确数据（训练数据）进行学习的方法，使模型输出逐渐逼近正确答案。

SoftBank、SoftBank 名称及标识为 SoftBank Group Corp. 在日本及其他国家注册或使用的商标。
本新闻稿中提及的其他公司、产品及服务名称均为其各自公司的注册商标或商标。