在5G NR 中，链路自适应（LA）依赖于信道测量和 HARQ 反馈，这些信息在快速变化的信道环境下会迅速失效且噪声较大，导致调度器只能在过于激进或保守的速率之间权衡，以换取可预测的性能。为此，实际部署往往采用简单且鲁棒的算法，而不追求最优光谱效率。\ \ 本文提出 NOSTRAdAMUS，一种在现有 LA 算法之上添加预测能力的框架。它利用最近的 HARQ 历史预测下一无线帧是否会出现重传，并据此对底层策略选出的调制编码方案（MCS）进行修正。\ \ 我们对多种机器学习模型进行基准测试，结果表明梯度提升（Gradient Boosting）在整体上达到 82.9% 的准确率，且在高置信度干预下正确率为 94.2%，推理延迟仅为 5.5 $\mu$s。模型使用在 X5G 测试平台上 OTA 收集的数据进行训练，平台包括开源 OpenAirInterface（OAI）5G 协议栈、NVIDIA Aerial 以及商用 O‑RAN 基站和终端。训练好的模型被封装为 dApp，随后在 OTA 环境以及硬件在环信道仿真器上进行评估，覆盖 3GPP TDL 与 CDL 信道、SISO 与 MIMO 配置以及行人和车载移动场景。\ \ 实验结果显示，在无需重新训练的情况下，dApp 能够增强两种最先进的 LA 算法，使有效吞吐量提升最高达 71.5%，重传次数降低最高达 71.8%。这些数据表明该方法具备良好的鲁棒性和泛化能力。\ \ 点评：NOSTRAdAMUS 通过轻量级的预测层实现了对传统 LA 的显著增益，展示了机器学习在实时无线资源调度中的可行性和实用价值。