本文提出在无线基础模型（RFM）预训练阶段引入信道配置（CFG）信息，并验证 CFG‑增强的嵌入在标签稀缺的下游任务中能够提供有效的归纳先验。我们将该嵌入与原始信道标记以及多种基线模型进行比较，分别在三种数据规模下评估其在视距/非视距（LoS/NLoS）分类、时延提前（TA）估计和波束选择三个任务中的表现。实验在分布内（seen）和分布外（unseen）配置两种场景下进行。结果表明，CFG‑增强的嵌入在所有实验中均能稳定超越或至少与基线持平，尤其在未见配置下仍保持竞争力。
点评：该工作展示了将环境配置信息融入大模型的可行性，为无线通信的少标签学习提供了新的思路。