PReD：电磁感知领域首个多模态大模型，实现感知-识别-决策智能闭环

PReD是电磁领域首个覆盖感知、识别、决策智能闭环的基础模型，基于130万样本的PReD-1.3M数据集训练，支持信号检测、调制识别、射频指纹等多任务，在开源与自采数据集上达到SOTA性能。其核心设计融合电磁信号多维表征与大语言模型推理能力，为电磁信号智能处理开辟新路径。

多模态大语言模型在通用视觉、文本理解等领域表现出色，但电磁领域长期面临数据稀缺、领域知识融合不足等挑战。电磁信号作为通信、雷达等系统核心载体，传统单一任务模型难以形成端到端理解与决策能力，现有模型缺乏足够领域数据支撑或无法实现多任务知识迁移协同优化。

PReD构建多视角信号表征体系，覆盖原始时域波形（瞬时幅度/相位）、频域频谱图（频率分布）、星座图（调制符号分布）三类核心表征。采用多阶段训练策略：基础对齐（视觉-语言预训练建立信号与语义关联）、任务统一（多任务学习+灵活提示机制切换任务）、闭环优化（端到端感知-识别-决策推理）。

PReD-1.3M数据集含130万高质量样本，支持信号检测、调制识别、参数估计等六大核心任务，整合开源与自采数据确保场景多样性。PReD-Bench评估基准从任务准确性、跨任务迁移、泛化性能、推理质量多维度评估模型能力。

PReD在PReD-Bench上多项任务达SOTA：低信噪比下信号检测优于传统方法；调制识别准确率超95%；射频指纹提取自动学习硬件特征突破传统手工设计局限。多任务协同训练提升各任务性能，且保持通用多模态理解能力。

PReD标志电磁信号智能处理进入基础模型时代，验证大语言模型与领域信号处理结合的可行性。应用于认知无线电（智能频谱感知）、电子对抗（抗干扰决策）、物联网安全（设备认证）、频谱监管（异常检测）等领域。团队计划开源数据集与评估基准推动社区进步。

PReD存在实时性（边缘设备推理延迟）、小样本适应（稀有信号类型）、对抗鲁棒性（恶意样本稳定性）等局限。未来方向：优化边缘推理延迟、发展主动学习减少标注依赖、扩展至雷达信号处理等领域。