模型配置方法及装置与流程

1.本公开涉及通信技术领域，尤其涉及到一种模型配置方法及装置。


背景技术：

2.近年来，人工智能(artificial intelligence，ai)技术在多个领域取得不断突破。智能语音、计算机视觉等领域的持续发展不仅为智能终端带来丰富多彩的各种应用，在教育、交通、家居、医疗、零售、安防等多个领域也有广泛应用，给人们生活带来便利同时，也在促进各个行业进行产业升级。ai技术也正在加速与其他学科领域交叉渗透，其发展融合不同学科知识同时，也为不同学科的发展提供了新的方向和方法。
3.在第三代合作伙伴计划(3rd generation partnership project，3gpp)release 18阶段，在无线接入网(radio access network，ran)设立了关于人工智能技术在无线空口中的研究项目。在r18的ai in air interface的讨论中，旨在研究如何在无线空口中引入ai模型，即将ai模型部署在终端侧，以辅助提高无线空口的传输能力。然而，由于每个终端的能力不同，支持的ai模型的格式不同，不能保证终端侧所下载ai模型与自身能力的适配性，进而不能准确引入ai模型，无法有效提高无线空口的传输性能。


技术实现要素：

4.本公开提供了一种模型配置方法及装置，能够解决不能在无线空口中准确引入ai模型，无法有效提高无线空口的传输性能的技术问题。
5.本公开的第一方面实施例提供了一种模型配置方法，所述方法由网络侧设备执行，包括：
6.接收终端设备发送的终端性能信息，所述终端性能信息包括终端能力信息和终端状态信息中的至少一种；
7.向所述终端设备发送人工智能ai模型相关的配置信息，所述配置信息为根据所述终端性能信息确定的。
8.在本公开的一些实施例中，所述接收终端设备发送的终端性能信息，包括：
9.接收终端设备在预设时间点发送的终端性能信息；或
10.接收终端设备根据触发信令发送的终端性能信息，其中，所述触发信令用于指示所述终端设备发送所述终端性能信息。
11.在本公开的一些实施例中，所述配置信息包括ai模型或模型参数，所述方法还包括：
12.根据所述终端性能信息确定所述终端设备支持下载的ai模型或模型参数。
13.在本公开的一些实施例中，所述向所述终端设备发送人工智能ai模型相关的配置信息，包括：
14.向所述终端设备发送所述ai模型或所述模型参数；或
15.在接收到所述终端设备发送的确认下载指令后，向所述终端设备发送所述ai模型
或所述模型参数。
16.在本公开的一些实施例中，所述终端能力信息包括以下至少一种：
17.终端设备的推理能力；
18.终端设备的存储能力；
19.终端设备的处理能力；
20.终端设备的编译能力；
21.终端设备支持的ai模型格式；
22.终端设备关于ai参数的支持能力；
23.终端设备在线训练的能力；
24.终端设备离线训练的能力。
25.在本公开的一些实施例中，所述终端状态信息包括以下至少一种：
26.终端设备的信道状态；
27.终端设备的移动状态；
28.终端设备的地理位置；
29.终端设备的电量状态；
30.终端设备的ai模型使用情况。
31.本公开的第二方面实施例提供了一种模型配置方法，所述方法由网络侧设备执行，包括：
32.向终端设备发送人工智能ai模型信息；
33.接收所述终端设备发送的ai模型响应信息，所述ai模型响应信息为所述终端设备根据所述ai模型信息生成的；
34.根据所述ai模型响应信息为所述终端设备配置ai模型。
35.在本公开的一些实施例中，所述向终端设备发送人工智能ai模型信息，包括：
36.向终端设备广播所述ai模型信息；或
37.根据终端设备发送的信息获取请求，向所述终端设备发送所述ai模型信息，所述信息获取请求用于请求获取所述ai模型信息；或
38.向终端设备发送与终端性能信息匹配的ai模型信息；或
39.向终端设备发送与所述终端设备对应设备类型匹配的ai模型信息。
40.在本公开的一些实施例中，所述ai模型响应信息为所述终端设备根据所述ai模型信息以及终端性能信息生成的，所述终端性能信息包括终端能力信息和终端性能信息中的至少一种。
41.在本公开的一些实施例中，所述ai模型响应信息包括所述终端设备支持下载的ai模型的模型标识，所述根据所述ai模型响应信息为所述终端设备配置所述ai模型，包括：
42.向所述终端设备发送所述模型标识对应的ai模型或模型参数。
43.在本公开的一些实施例中，所述终端能力信息包括以下至少一种：
44.终端设备的推理能力；
45.终端设备的存储能力；
46.终端设备的处理能力；
47.终端设备的编译能力；
48.终端设备支持的ai模型格式；
49.终端设备关于ai参数的支持能力；
50.终端设备在线训练的能力；
51.终端设备离线训练的能力。
52.在本公开的一些实施例中，所述终端状态信息包括以下至少一种：
53.终端设备的信道状态；
54.终端设备的移动状态；
55.终端设备的地理位置；
56.终端设备的电量状态；
57.终端设备的ai模型使用情况。
58.在本公开的一些实施例中，所述ai模型信息包括以下至少一种：
59.模型标识id；
60.模型功能；
61.模型使用范围；
62.模型大小；
63.模型时延要求；
64.模型描述格式；
65.模型下发的相关ai参数；
66.模型复杂度。
67.本公开的第三方面实施例提供了一种模型配置方法，所述方法由终端设备执行，包括：
68.向网络侧设备发送终端性能信息，所述终端性能信息包括终端能力信息和终端性能信息中的至少一种；
69.接收所述网络侧设备发送的人工智能ai模型相关的配置信息，所述配置信息为所述网络侧设备根据所述终端性能信息确定的。
70.在本公开的一些实施例中，所述向网络侧设备发送终端性能信息，包括：
71.在预设时间点向所述网络侧设备发送终端性能信息；或
72.根据触发信令向所述网络侧设备发送终端性能信息，其中，所述触发信令用于指示所述终端设备发送所述终端性能信息。
73.在本公开的一些实施例中，所述配置信息包括ai模型或模型参数，所述接收所述网络侧设备发送的人工智能ai模型相关的配置信息，包括：
74.接收所述网络侧设备发送的所述ai模型或所述模型参数；或
75.接收所述网络侧设备发送的所述ai模型或所述模型参数，其中，所述ai模型或所述模型参数为所述网络侧设备在接收到确认下载指令后发送的。
76.在本公开的一些实施例中，所述终端能力信息包括以下至少一种：
77.终端设备的推理能力；
78.终端设备的存储能力；
79.终端设备的处理能力；
80.终端设备的编译能力；
81.终端设备支持的ai模型格式；
82.终端设备关于ai参数的支持能力；
83.终端设备在线训练的能力；
84.终端设备离线训练的能力。
85.在本公开的一些实施例中，所述终端状态信息包括以下至少一种：
86.终端设备的信道状态；
87.终端设备的移动状态；
88.终端设备的地理位置；
89.终端设备的电量状态；
90.终端设备的ai模型使用情况。
91.本公开的第四方面实施例提供了一种模型配置方法，所述方法由终端设备执行，包括：
92.接收网络侧设备发送的人工智能ai模型信息；
93.根据所述ai模型信息生成ai模型响应信息；
94.向所述网络侧设备发送所述ai模型响应信息；
95.接收所述网络侧设备根据所述ai模型响应信息配置的ai模型。
96.在本公开的一些实施例中，所述接收网络侧设备发送的人工智能ai模型信息，包括：
97.接收网络侧设备广播的所述ai模型信息；或
98.接收网络侧设备根据信息获取请求发送的所述ai模型信息，所述信息获取请求用于请求获取所述ai模型信息；或
99.接收网络侧设备发送的与终端性能信息匹配的ai模型信息；或
100.接收网络侧设备发送的与所述终端设备对应设备类型匹配的ai模型信息。
101.在本公开的一些实施例中，所述方法还包括：
102.根据所述ai模型信息以及终端性能信息生成所述ai模型响应信息，所述终端性能信息包括终端能力信息和终端性能信息中的至少一种。
103.在本公开的一些实施例中，所述ai模型响应信息包括所述终端设备支持下载的ai模型的模型标识，所述接收所述网络侧设备根据所述ai模型响应信息配置的ai模型，包括：
104.接收所述网络侧设备发送的所述模型标识对应的ai模型或模型参数。
105.在本公开的一些实施例中，所述终端能力信息包括以下至少一种：
106.终端设备的推理能力；
107.终端设备的存储能力；
108.终端设备的处理能力；
109.终端设备的编译能力；
110.终端设备支持的ai模型格式；
111.终端设备关于ai参数的支持能力；
112.终端设备在线训练的能力；
113.终端设备离线训练的能力。
114.在本公开的一些实施例中，所述终端状态信息包括以下至少一种：
115.终端设备的信道状态；
116.终端设备的移动状态；
117.终端设备的地理位置；
118.终端设备的电量状态；
119.终端设备的ai模型使用情况。
120.在本公开的一些实施例中，所述ai模型信息包括以下至少一种：
121.模型标识id；
122.模型功能；
123.模型使用范围；
124.模型大小；
125.模型时延要求；
126.模型描述格式；
127.模型下发的相关ai参数；
128.模型复杂度。
129.本公开的第五方面实施例提供了一种网络侧设备，包括：
130.接收模块，用于接收终端设备发送的终端性能信息，所述终端性能信息包括终端能力信息和终端性能信息中的至少一种；
131.发送模块，用于向所述终端设备发送人工智能ai模型相关的配置信息，所述配置信息为根据所述终端性能信息确定的。
132.本公开的第六方面实施例提供了一种网络侧设备，包括：
133.发送模块，用于向终端设备发送人工智能ai模型信息；
134.接收模块，用于接收所述终端设备发送的ai模型响应信息，所述ai模型响应信息为所述终端设备根据所述ai模型信息生成的；
135.处理模块，用于根据所述ai模型响应信息为所述终端设备配置ai模型。
136.本公开的第七方面实施例提供了一种终端设备，包括：
137.发送模块，用于向网络侧设备发送终端性能信息，所述终端性能信息包括终端能力信息和终端性能信息中的至少一种；
138.接收模块，用于接收所述网络侧设备发送的人工智能ai模型相关的配置信息，所述配置信息为所述网络侧设备根据所述终端性能信息确定的。
139.本公开的第八方面实施例提供了一种终端设备，包括：
140.接收模块，用于接收网络侧设备发送的人工智能ai模型信息；
141.处理模块，用于根据所述ai模型信息生成ai模型响应信息；
142.发送模块，用于向所述网络侧设备发送所述ai模型响应信息；
143.接收模块，用于接收所述网络侧设备根据所述ai模型响应信息配置的ai模型。
144.本公开的第九方面实施例提供了一种通信设备，该通信设备包括：收发器；存储器；处理器，分别与所述收发器及所述存储器连接，配置为通过执行所述存储器上的计算机可执行指令，控制所述收发器的无线信号收发，并能够实现如本公开第一方面实施例或第二方面实施例或第三方面实施例或第四方面实施例的方法。
145.本公开的第十方面实施例提供了一种计算机存储介质，其中，计算机存储介质存
储有计算机可执行指令；所述计算机可执行指令被处理器执行后，能够实现如本公开第一方面实施例或第二方面实施例或第三方面实施例或第四方面实施例的方法。
146.本公开实施例提供的模型配置方法及装置，网络侧设备或终端设备可根据终端设备的终端性能信息确定终端设备是否支持下载人工智能ai模型，在确定终端设备支持下载ai模型时，网络侧设备为终端设备配置ai模型。本公开中的技术方案，可根据终端能力信息和终端状态信息为终端设备配置ai模型，能够保证终端侧所下载ai模型与自身能力的适配性，进而能在无线空口中准确引入ai模型，有效提高无线空口的传输性能。
147.本公开附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
148.本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
149.图1为根据本公开实施例的一种模型配置方法的流程示意图；
150.图2为根据本公开实施例的一种模型配置方法的流程示意图；
151.图3为根据本公开实施例的一种模型配置方法的流程示意图；
152.图4为根据本公开实施例的一种模型配置方法的流程示意图；
153.图5为根据本公开实施例的一种模型配置方法的流程示意图；
154.图6为根据本公开实施例的一种模型配置方法的时序图；
155.图7为根据本公开实施例的一种模型配置方法的时序图；
156.图8为根据本公开实施例的一种网络侧设备的结构示意图；
157.图9为根据本公开实施例的一种网络侧设备的结构示意图；
158.图10为根据本公开实施例的一种终端设备的结构示意图；
159.图11为根据本公开实施例的一种终端设备的结构示意图；
160.图12为根据本公开实施例的一种通信装置的结构示意图；
161.图13为本公开实施例提供的一种芯片的结构示意图。
具体实施方式
162.下面详细描述本公开的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。
163.下面详细描述本技术的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
164.在本技术实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本技术实施例。在本技术实施例和所附权利要求书中所使用的单数形式的“一种”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
165.应当理解，尽管在本技术实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本技术实施例范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
166.第五代通信(5th generation，5g)技术的广泛应用为人们生活的方方面面带来巨大改变。根据国际电信联盟标准(international telecommunication union，itu)的愿景，5g将渗透到未来社会的各个领域，以用户为中心构建全方位的信息生态系统。其中，5g用户体验速率可达100mbit/s～1gbit/s，能够支持移动虚拟现实等极致业务体验；5g峰值速率可达10gbit/s～20gbit/s，流量密度可达10mbit/s/m2，能够支持未来千倍以上移动业务流量的增长；5g联接数密度可达100万个/m2，能够有效支持海量的物联网设备；5g传输时延可达毫秒量级，可满足车联网和工业控制的严苛要求；5g能够支持500km/h的移动速度，能够在高铁环境下满足良好的用户体验。可以想见，5g作为新型基础设施代表将重新构建未来的信息化社会。
167.近年来，人工智能(artificial intelligence，ai)技术在多个领域取得不断突破。智能语音、计算机视觉等领域的持续发展不仅为智能终端带来丰富多彩的各种应用，在教育、交通、家居、医疗、零售、安防等多个领域也有广泛应用，给人们生活带来便利同时，也在促进各个行业进行产业升级。ai技术也正在加速与其他学科领域交叉渗透，其发展融合不同学科知识同时，也为不同学科的发展提供了新的方向和方法。
168.在第三代合作伙伴计划(3rd generation partnership project，3gpp)release 18阶段，在无线接入网(radio access network，ran)设立了关于人工智能技术在无线空口中的研究项目。在r18的ai in air interface的讨论中，旨在研究如何在无线空口中引入ai模型，即将ai模型部署在终端侧，以辅助提高无线空口的传输能力。然而，由于每个终端的能力不同，支持的ai模型的格式不同，不能保证终端侧所下载ai模型与自身能力的适配性，进而不能准确引入ai模型，无法有效提高无线空口的传输性能。
169.有鉴于此，作为一种可能的应用场景，本实施提出了一种模型配置方法及装置，模型配置方法及装置用于网络侧设备和终端设备根据终端能力信息和终端状态信息为终端设备配置ai模型。具体的，ai模型可由网络侧设备训练，ai模型在终端设备部署，终端设备需要从网络侧设备下载ai模型，或者网络侧设备需要把ai模型发送给终端设备，以辅助提高无线空口的传输能力。对于本公开实施例，作为一种可能的应用场景，在无线ai的研究中，人工智能ai模型的应用案例可包括但不限于：基于ai模型的信道状态信息(channel state information，csi)增强；基于ai模型的波束管理；基于ai模型的定位等。
170.为此，本实施例提出了一种模型配置方法及装置，能够解决不能在无线空口中准确引入ai模型，无法有效提高无线空口的传输性能的技术问题。
171.可以理解的是，本公开提供的方案可以应用于网络侧设备，网络侧设备具体为可为基站、核心网设备、网络节点等，在此不进行具体的限定。实施例且可以包括以下步骤。
172.步骤101、接收终端设备发送的终端性能信息。
173.其中，终端性能信息包括终端能力信息和终端状态信息中的至少一种。在具体的应用场景中，终端能力信息可为终端设备的最大ai处理能力，或终端设备可针对多个ai模
型共享ai处理能力，在此种情况下，终端能力信息可为终端设备在当前状态下的剩余ai处理能力。终端设备通过上报终端能力信息，可使网络侧设备根据终端能力信息判断终端设备是否具有使用ai模型的能力，以及确定适用于终端能力的ai模型；终端状态信息可为终端设备在当前时刻的状态信息。终端设备通过上报终端性能状态，可使网络侧设备根据终端状态信息确定终端设备目前的状态是否适用于配置ai模型，以及确定适用于终端当前状态的ai模型。
174.在具体的应用场景中，终端能力信息可包括以下至少一种：终端设备的推理能力；终端设备的存储能力；终端设备的处理能力；终端设备的编译能力；终端设备支持的ai模型格式；终端设备关于ai参数的支持能力(哪些参数需要编译，哪些参数不需要编译)；终端设备在线训练的能力；终端设备离线训练的能力。终端状态信息可包括以下至少一种：终端设备的信道状态；终端设备的移动状态；终端设备的地理位置；终端设备的电量状态；终端设备的ai模型使用情况。需要说明的是，终端性能信息还可包括能够用于反映终端设备对于ai模型下载运行能力的其他信息，以及终端能力信息和终端状态信息也并不局限于上述信息，还可包括其他信息类型，对此均不进行具体的限定。
175.步骤102、向终端设备发送人工智能ai模型相关的配置信息，配置信息为根据终端性能信息确定的。
176.其中，配置信息可为网络侧设备根据终端性能信息，所确定终端设备针对具体ai模型的下载信息，如下载的ai模型、模型参数等。
177.对于本公开实施例，网络侧设备在接收到终端设备发送的终端性能信息后，可根据终端性能信息(终端设备对应当前性能、终端设备的最大ai处理能力、终端设备在当前状态下的剩余ai处理能力中的至少一种)确定终端设备是否支持配置ai模型，以及在确定终端设备支持配置ai模型的情况下，还可确定适用于终端设备配置的ai模型；或者在终端设备本地已配置该ai模型的情况下，还可确定针对该ai模型进行模型更新的模型参数。
178.综上，根据本公开实施例提供的模型配置方法，网络侧设备可根据终端设备的终端性能信息确定终端设备是否支持下载人工智能ai模型，在确定终端设备支持下载ai模型时，网络侧设备为终端设备配置ai模型。本公开中的技术方案，可根据终端能力信息和终端状态信息为终端设备配置ai模型，能够保证终端侧所下载ai模型与自身能力的适配性，进而能在无线空口中准确引入ai模型，有效提高无线空口的传输性能。
179.图2示出了根据本公开实施例的一种模型配置方法的流程示意图。该方法应用于网络侧设备，如图2所示，实施例且可以包括以下步骤。
180.步骤201、接收终端设备发送的终端性能信息。
181.对于本公开实施例，网络侧设备在接收终端设备发送的终端性能信息时，作为一种可能的实现方式，可接收终端设备主动上报的终端性能信息，如接收终端设备在预设时间点向网络侧设备发送的终端性能信息，其中，预设时间点为网络侧设备与终端设备约定的时间，例如为终端设备建立无线资源控制(radio resource control，rrc)连接的时间点。针对上报终端性能信息的具体时间点，可根据实际应用场景进行设定，在此不进行具体的限定；作为一种可能的实现方式，网络侧设备可接收终端设备基于网络触发上报的终端性能信息，如网络侧设备可向终端设备发送触发信令，触发信令用于指示终端设备发送终端性能信息，终端设备在接收到触发信令后，可根据触发信令向网络侧设备发送终端性能
信息。需要说明的是，终端设备在发送终端性能信息时，还可包括其他可能的触发发送方式，在此不进行具体的限定。
182.步骤202、根据终端性能信息确定终端设备支持下载的ai模型或模型参数。
183.在具体的应用场景中，在执行本实施例步骤之前，网络侧设备可根据终端性能信息判断终端设备是否支持下载ai模型，作为一种可能的应用场景，如根据终端性能信息，例如终端电量，或者终端ai模型的使用情况等确定是否下载ai模型。只有确定终端设备具有使用ai模型的能力后，才会通过本实施例步骤进一步确定终端设备对应人工智能ai模型相关的配置信息，即确定终端设备支持下载的ai模型或模型参数，以及通过执行后续的实施例步骤203，将配置信息发送至终端设备，以实现ai模型在终端设备上的部署；作为一种可能的应用场景，若根据端性能信息判断终端设备不支持下载ai模型，则不需要对终端设备进行ai模型的配置，即不再继续执行本实施例步骤和后续的实施例步骤203。
184.相应的，网络侧设备上可存储有一个或多个训练完成的ai模型，网络侧设备在根据终端性能信息判断终端设备是否支持下载ai模型时：作为一种可能的实现方式，网络侧设备上存储有一个训练完成的ai模型，网络侧设备可以根据终端性能信息判断是否给终端设备配置此ai模型或者此ai模型的模型参数；作为一种可能的实现方式，网络侧设备上存储有多个训练完成的ai模型，网络侧设备可以根据终端性能信息判断在多个ai模型中具体为终端设备配置哪个ai模型，即筛选与终端能力和/或终端性能适配的ai模型或模型参数。
185.步骤203、向终端设备发送人工智能ai模型相关的配置信息。
186.对于本公开实施例，网络侧设备在向终端设备发送人工智能ai模型相关的配置信息时，作为一种可能的实现方式，网络侧设备可直接向终端设备发送ai模型或模型参数，如可通过向终端设备发送相应的下行数据，下行数据中有对应的信息域，指示数据中传输的是ai模型或模型参数；作为一种可能的实现方式，网络侧设备可向终端设备发送ai模型下载请求，ai模型下载请求用于请示终端设备是否下载ai模型或模型参数，即让终端设备自己确定是否下载ai模型或模型参数。虽然终端设备有可能具有运行ai模型的能力，但是当前的状态，例如电量或者处理能力余量等不太适合使用ai模型，此时终端设备可以拒绝ai模型下载请求；在网络侧设备接收到终端设备针对ai模型下载请求发送的拒绝下载指令后，可不再进行后续的处理；反之，在网络侧设备接收到终端设备针对ai模型下载请求发送的确认下载指令后，网络侧设备可进一步向终端设备发送ai模型或模型参数。
187.综上，根据本公开实施例提供的模型配置方法，网络侧设备可根据终端设备的终端性能信息确定终端设备是否支持下载人工智能ai模型，在确定终端设备支持下载ai模型时，网络侧设备为终端设备配置ai模型。本公开中的技术方案，可根据终端能力信息和终端状态信息为终端设备配置ai模型，能够保证终端侧所下载ai模型与自身能力的适配性，进而能在无线空口中准确引入ai模型，有效提高无线空口的传输性能。
188.图3示出了根据本公开实施例的一种模型配置方法的流程示意图。该方法应用于网络侧设备，如图3所示，实施例且可以包括以下步骤。
189.步骤301、向终端设备发送人工智能ai模型信息。
190.其中，在本公开的一些实施例中，ai模型信息可为网络侧设备所存储一个或多个ai模型的具体信息，ai模型信息可包括以下至少一种，但并不限于此：模型标识(identifier，id)；模型功能；模型使用范围；模型大小；模型时延要求；模型描述格式；模型
下发的相关ai参数；模型复杂度。网络侧设备通过向终端设备发送ai模型信息，可使终端设备能够根据自己的能力和当前的状态判断是否要进行ai模型下载，以及在确定下载时根据ai模型信息选择需要下载的ai模型。
191.对于本公开实施例，网络侧设备在向终端设备发送人工智能ai模型信息时，作为一种可能的实现方式，网络侧设备可向终端设备广播ai模型信息；作为一种可能的实现方式，网络侧设备可在接收终端设备发送的用于请求获取ai模型信息的信息获取请求后，响应于终端设备发送的信息获取请求，向终端设备发送ai模型信息；作为一种可能的实现方式，网络侧设备可在接收到终端设备发送的终端性能信息后，根据终端性能信息判断终端设备是否具有ai处理能力，在判断终端设备具有ai处理能力后，向终端设备发送与终端性能信息匹配的ai模型信息；作为一种可能的实现方式，网络侧设备可向终端设备发送与终端设备对应设备类型匹配的ai模型信息。其中，网络侧设备在向终端设备发送与终端设备对应设备类型匹配的ai模型信息时，这种情况下可有预定义的步骤，例如预定义了第一类型终端设备支持什么能力，第二类型终端设备支持什么能力，网络侧设备通过获取终端类型就获取了终端对ai的支持情况，即确定与终端设备对应设备类型匹配的ai模型信息。
192.步骤302、接收终端设备发送的ai模型响应信息，ai模型响应信息为终端设备根据ai模型信息生成的。
193.其中，ai模型响应信息为终端设备根据ai模型信息以及终端性能信息生成的，其可包含终端设备对ai模型的下载信息，下载信息可为终端设备根据终端性能信息，所确定适用于自身下载的ai模型或模型参数对应的模型标识等。终端性能信息包括终端能力信息和终端性能信息中的至少一种。在具体的应用场景中，终端能力信息可包括以下至少一种：终端设备的推理能力；终端设备的存储能力；终端设备的处理能力；终端设备的编译能力；终端设备支持的ai模型格式；终端设备关于ai参数的支持能力(哪些参数需要编译，哪些参数不需要编译)；终端设备在线训练的能力；终端设备离线训练的能力。终端状态信息可包括以下至少一种：终端设备的信道状态；终端设备的移动状态；终端设备的地理位置；终端设备的电量状态；终端设备的ai模型使用情况。需要说明的是，终端性能信息还可包括能够用于反映终端设备对于ai模型下载运行能力的其他信息，以及终端能力信息和终端状态信息也并不局限于上述信息，还可包括其他信息类型，对此均不进行具体的限定。
194.步骤303、根据ai模型响应信息为终端设备配置ai模型。
195.在具体的应用场景中，在ai模型响应信息包括终端设备支持下载的ai模型的模型标识时，网络侧设备可在本地存储的ai模型中确定与模型标识匹配的ai模型或模型参数。对于本公开实施例，网络侧设备可向终端设备发送模型标识对应的ai模型或模型参数。
196.综上，根据本公开实施例提供的模型配置方法，网络侧设备可向终端设备发送网络侧设备存储的ai模型信息，并接收终端设备基于ai模型信息确定的ai模型响应信息；网络侧设备可根据ai模型响应信息为终端设备配置ai模型。本公开中的技术方案，通过向终端设备发送ai模型信息，可使终端设备能够根据自身的能力和当前的状态进行ai模型的下载决策，以此能够保证终端侧所下载ai模型与自身能力的适配性，进而能在无线空口中准确引入ai模型，有效提高无线空口的传输性能。
197.图4示出了根据本公开实施例的一种模型配置方法的流程示意图。该方法应用于终端设备(user equipment，ue)，终端设备可为手机、笔记本、平板电脑、pos机以及车载电
脑等通信设备等，在本公开中不予限制。如图4所示，实施例且可以包括以下步骤。
198.步骤401、向网络侧设备发送终端性能信息，终端性能信息包括终端能力信息和终端性能信息中的至少一种。
199.其中，终端性能信息包括终端能力信息和终端状态信息中的至少一种。在具体的应用场景中，终端能力信息可为终端设备的最大ai处理能力，或终端设备可针对多个ai模型共享ai处理能力，在此种情况下，终端能力信息可为终端设备在当前状态下的剩余ai处理能力。终端设备通过上报终端能力信息，可使网络侧设备根据终端能力信息判断终端设备是否具有使用ai模型的能力，以及确定适用于终端能力的ai模型；终端状态信息可为终端设备在当前时刻的状态信息。终端设备通过上报终端性能状态，可使网络侧设备根据终端状态信息确定终端设备目前的状态是否适用于配置ai模型，以及确定适用于终端当前状态的ai模型。
200.在具体的应用场景中，终端能力信息可包括以下至少一种：终端设备的推理能力；终端设备的存储能力；终端设备的处理能力；终端设备的编译能力；终端设备支持的ai模型格式；终端设备关于ai参数的支持能力(哪些参数需要编译，哪些参数不需要编译)；终端设备在线训练的能力；终端设备离线训练的能力。终端状态信息可包括以下至少一种：终端设备的信道状态；终端设备的移动状态；终端设备的地理位置；终端设备的电量状态；终端设备的ai模型使用情况。需要说明的是，终端性能信息还可包括能够用于反映终端设备对于ai模型下载运行能力的其他信息，以及终端能力信息和终端状态信息也并不局限于上述信息，还可包括其他信息类型，对此均不进行具体的限定。
201.对于本公开实施例，终端设备在向网络侧设备发送终端性能信息时，作为一种可能的实现方式，终端设备可主动上报终端性能信息，如终端设备在预设时间点向网络侧设备发送终端性能信息，其中，预设时间点为网络侧设备与终端设备约定的时间，例如为终端设备建立无线资源控制(radio resource control，rrc)连接的时间点。针对上报终端性能信息的具体时间点，可根据实际应用场景进行设定，在此不进行具体的限定；作为一种可能的实现方式，终端设备可基于网络触发上报终端性能信息，如网络侧设备可向终端设备发送触发信令，触发信令用于指示终端设备发送终端性能信息，终端设备在接收到触发信令后，可响应于触发信令向网络侧设备发送终端性能信息。需要说明的是，终端设备在发送终端性能信息时，还可包括其他可能的触发发送方式，在此不进行具体的限定。
202.步骤402、接收网络侧设备发送的人工智能ai模型相关的配置信息，配置信息为网络侧设备根据终端性能信息确定的。
203.其中，配置信息可为网络侧设备根据终端性能信息，所确定终端设备针对具体ai模型的下载信息，如下载的ai模型、模型参数等。
204.在具体的应用场景中，终端设备在向网络侧设备发送终端性能信息后，网络侧设备可根据终端性能信息(终端设备对应当前性能、终端设备的最大ai处理能力、终端设备在当前状态下的剩余ai处理能力中的至少一种)确定终端设备是否支持配置ai模型，以及在确定终端设备支持配置ai模型的情况下，还可确定适用于终端设备配置的ai模型；或者在终端设备本地已配置该ai模型的情况下，还可确定针对该ai模型进行模型更新的模型参数。
205.对于本公开实施例，终端设备在接收网络侧设备发送的人工智能ai模型相关的配
置信息时，作为一种可能的实现方式，终端设备可直接接收网络侧设备直接发送的ai模型或模型参数，如网络侧设备可通过向终端设备发送相应的下行数据，下行数据中有对应的信息域，指示数据中传输的是ai模型或模型参数；作为一种可能的实现方式，终端设备可接收到网络侧设备发送的ai模型下载请求，ai模型下载请求用于请示终端设备是否确定下载ai模型或模型参数；虽然终端设备有可能具有运行ai模型的能力，但是当前的状态，例如电量或者处理能力余量等不太适合使用ai模型，此时终端设备可以拒绝ai模型下载请求。在网络侧设备接收到终端设备针对ai模型下载请求发送的拒绝下载指令后，可不再进行后续的处理；反之，终端可响应于网络侧设备发送的ai模型下载请求，向网络侧设备发送确认下载指令。最后接收网络侧设备发送的ai模型或模型参数，其中，ai模型或模型参数为网络侧设备在接收到确认下载指令时发送的。
206.综上，根据本公开实施例提供的模型配置方法，终端设备可向网络侧设备发送终端性能信息，网络侧设备可根据终端设备的终端性能信息确定终端设备是否支持下载人工智能ai模型，在确定终端设备支持下载ai模型时，网络侧设备为终端设备配置ai模型。本公开中的技术方案，网络侧设备可根据终端能力信息和终端状态信息为终端设备配置ai模型，能够保证终端侧所下载ai模型与自身能力的适配性，进而能在无线空口中准确引入ai模型，有效提高无线空口的传输性能。
207.图5示出了根据本公开实施例的一种模型配置方法的流程示意图。该方法应用于终端设备，如图5所示，实施例且可以包括以下步骤。
208.步骤501、接收网络侧设备发送的人工智能ai模型信息。
209.其中，在本公开的一些实施例中，ai模型信息可为网络侧设备所存储一个或多个ai模型的具体信息，ai模型信息可包括以下至少一种，但并不限于此：模型标识(identifier，id)；模型功能；模型使用范围；模型大小；模型时延要求；模型描述格式；模型下发的相关ai参数；模型复杂度。网络侧设备通过向终端设备发送ai模型信息，可使终端设备能够根据自己的能力和当前的状态判断是否要进行ai模型下载，以及在确定下载时根据ai模型信息选择需要下载的ai模型。
210.对于本公开实施例，终端设备在接收网络侧设备发送的人工智能ai模型信息时，作为一种可能的实现方式，终端设备可接收网络侧设备广播的ai模型信息；作为一种可能的实现方式，终端设备可向网络侧设备发送信息获取请求，信息获取请求用于请求获取ai模型信息，之后终端设备接收网络侧设备响应于信息获取请求发送的ai模型信息；作为一种可能的实现方式，终端设备可向网络侧设备发送终端性能信息，之后接收网络侧设备发送的与终端性能信息匹配的ai模型信息；作为一种可能的实现方式，终端设备可接收网络侧设备发送的与终端设备对应设备类型匹配的ai模型信息。其中，终端设备在接收网络侧设备发送的与终端设备对应设备类型匹配的ai模型信息时，这种情况下可有预定义的步骤，例如预定义了第一类型终端设备支持什么能力，第二类型终端设备支持什么能力，网络侧设备通过获取终端类型就获取了终端对ai的支持情况，即确定与终端设备对应设备类型匹配的ai模型信息。
211.步骤502、根据ai模型信息生成ai模型响应信息。
212.其中，ai模型响应信息为终端设备根据ai模型信息以及终端性能信息生成的，其可包含终端设备对ai模型的下载信息，下载信息可为终端设备根据终端性能信息，所确定
适用于自身下载的ai模型或模型参数对应的模型标识等。终端性能信息包括终端能力信息和终端性能信息中的至少一种。在具体的应用场景中，终端能力信息可包括以下至少一种：终端设备的推理能力；终端设备的存储能力；终端设备的处理能力；终端设备的编译能力；终端设备支持的ai模型格式；终端设备关于ai参数的支持能力(哪些参数需要编译，哪些参数不需要编译)；终端设备在线训练的能力；终端设备离线训练的能力。终端状态信息可包括以下至少一种：终端设备的信道状态；终端设备的移动状态；终端设备的地理位置；终端设备的电量状态；终端设备的ai模型使用情况。需要说明的是，终端性能信息还可包括能够用于反映终端设备对于ai模型下载运行能力的其他信息，以及终端能力信息和终端状态信息也并不局限于上述信息，还可包括其他信息类型，对此均不进行具体的限定。
213.对于本公开实施例，终端设备在接收到ai模型信息后，可根据ai模型信息以及终端性能信息生成ai模型响应信息，终端性能信息包括终端能力信息和终端性能信息中的至少一种。具体可基于ai模型信息以及根据自己的能力和当前的状态判断是否要进行下载以及下载哪些ai模型。作为一种可能的实现方式，终端设备在确定其自身具有使用ai模型的能力后，可生成确定下载的ai模型响应信息。进而可通过继续执行实施例步骤503和504，实现ai模型在终端设备上的部署。其中，ai模型响应信息中包含终端设备对ai模型的下载信息，下载信息可为终端设备根据终端性能信息，所确定适用于自身下载的ai模型或模型参数对应的模型标识等；作为一种可能的实现方式，终端设备在确定其自身不具有使用ai模型的能力后，可生成拒绝下载的ai模型响应信息，或者可直接不生成ai模型响应信息，对此不进行具体的限定。在此种情况下，则不再继续执行实施例步骤503和504。
214.步骤503、向网络侧设备发送ai模型响应信息。
215.步骤504、接收网络侧设备根据ai模型响应信息配置的ai模型。
216.在具体的应用场景中，在ai模型响应信息包括终端设备支持下载的ai模型的模型标识时，网络侧设备在接收到终端设备发送的ai模型响应信息后，可在本地存储的ai模型中确定与模型标识匹配的ai模型或模型参数。对于本公开实施例，终端设备可接收网络侧设备发送的模型标识对应的ai模型或模型参数。
217.综上，根据本公开实施例提供的模型配置方法，终端设备可接收到网络侧设备发送的ai模型信息，终端设备可基于ai模型信息确定对ai模型下载的ai模型响应信息；网络侧设备在接收到终端设备发送的ai模型响应信息后，可根据ai模型响应信息为终端设备配置ai模型。本公开中的技术方案，通过向终端设备发送ai模型信息，可使终端设备能够根据自身的能力和当前的状态进行ai模型的下载决策，以此能够保证终端侧所下载ai模型与自身能力的适配性，进而能在无线空口中准确引入ai模型，有效提高无线空口的传输性能。
218.图6、7为根据本公开实施例的一种模型配置方法的时序图。该方法应用于通信系统，该系统包括网络侧设备、终端设备ue，如图6所示，作为一种可能的实现方式，终端设备向网络侧设备发送终端性能信息，终端性能信息包括终端能力信息和终端性能信息中的至少一种；网络侧设备根据终端性能信息确定终端设备支持下载的ai模型相关的配置信息；网络侧设备向终端设备发送人ai模型相关的配置信息。如图7所示，作为一种可能的实现方式，网络侧设备向终端设备发送人工智能ai模型信息；终端设备根据ai模型信息以及终端性能信息生成ai模型响应信息，终端性能信息包括终端能力信息和终端性能信息中的至少一种；终端设备向网络侧设备发送ai模型响应信息，ai模型响应信息用于确定终端设备对
ai模型的下载信息；网络侧设备根据下载信息为终端设备配置ai模型。
219.对于本公开实施例，在为终端设备配置ai模型时：
220.作为一种可能的实现方式，参见图6，该方法包括如下步骤：
221.步骤601、终端设备向网络侧设备发送终端性能信息，终端性能信息包括终端能力信息和终端性能信息中的至少一种。
222.其中，终端性能信息包括终端能力信息和终端状态信息中的至少一种。在具体的应用场景中，终端能力信息可为终端设备的最大ai处理能力，或终端设备可针对多个ai模型共享ai处理能力，在此种情况下，终端能力信息可为终端设备在当前状态下的剩余ai处理能力。终端设备通过上报终端能力信息，可使网络侧设备根据终端能力信息判断终端设备是否具有使用ai模型的能力，以及确定适用于终端能力的ai模型；终端状态信息可为终端设备在当前时刻的状态信息。终端设备通过上报终端性能状态，可使网络侧设备根据终端状态信息确定终端设备目前的状态是否适用于配置ai模型，以及确定适用于终端当前状态的ai模型。
223.在具体的应用场景中，终端能力信息可包括以下至少一种：终端设备的推理能力；终端设备的存储能力；终端设备的处理能力；终端设备的编译能力；终端设备支持的ai模型格式；终端设备关于ai参数的支持能力(哪些参数需要编译，哪些参数不需要编译)；终端设备在线训练的能力；终端设备离线训练的能力。终端状态信息可包括以下至少一种：终端设备的信道状态；终端设备的移动状态；终端设备的地理位置；终端设备的电量状态；终端设备的ai模型使用情况。需要说明的是，终端性能信息还可包括能够用于反映终端设备对于ai模型下载运行能力的其他信息，以及终端能力信息和终端状态信息也并不局限于上述信息，还可包括其他信息类型，对此均不进行具体的限定。
224.步骤602、网络侧设备根据终端性能信息确定终端设备支持下载的ai模型相关的配置信息。
225.在具体的应用场景中，在执行本实施例步骤之前，网络侧设备可根据终端性能信息判断终端设备是否支持下载ai模型，作为一种可能的应用场景，如根据终端性能信息，例如终端电量，或者终端ai模型的使用情况等确定是否下载ai模型。只有确定终端设备具有使用ai模型的能力后，才会通过本实施例步骤进一步确定终端设备对应人工智能ai模型相关的配置信息，即确定终端设备支持下载的ai模型或模型参数，以及通过执行后续的实施例步骤603，将配置信息发送至终端设备，以实现ai模型在终端设备上的部署；作为一种可能的应用场景，若根据端性能信息判断终端设备不支持下载ai模型，则不需要对终端设备进行ai模型的配置，即不再继续执行本实施例步骤和后续的实施例步骤603。
226.相应的，网络侧设备上可存储有一个或多个训练完成的ai模型，网络侧设备在根据终端性能信息判断终端设备是否支持下载ai模型时：作为一种可能的实现方式，网络侧设备上存储有一个训练完成的ai模型，网络侧设备可以根据终端性能信息判断是否给终端设备配置此ai模型或者此ai模型的模型参数；作为一种可能的实现方式，网络侧设备上存储有多个训练完成的ai模型，网络侧设备可以根据终端性能信息判断在多个ai模型中具体为终端设备配置哪个ai模型，即筛选与终端能力和/或终端性能适配的ai模型或模型参数。
227.步骤603、网络侧设备向终端设备发送人ai模型相关的配置信息。
228.对于本公开实施例，网络侧设备在向终端设备发送人工智能ai模型相关的配置信
息时，作为一种可能的实现方式，网络侧设备可直接向终端设备发送ai模型或模型参数，如可通过向终端设备发送相应的下行数据，下行数据中有对应的信息域，指示数据中传输的是ai模型或模型参数；作为一种可能的实现方式，网络侧设备可向终端设备发送ai模型下载请求，ai模型下载请求用于请示终端设备是否下载ai模型或模型参数，即让终端设备自己确定是否下载ai模型或模型参数。虽然终端设备有可能具有运行ai模型的能力，但是当前的状态，例如电量或者处理能力余量等不太适合使用ai模型，此时终端设备可以拒绝ai模型下载请求；在网络侧设备接收到终端设备针对ai模型下载请求发送的拒绝下载指令后，可不再进行后续的处理；反之，在网络侧设备接收到终端设备针对ai模型下载请求发送的确认下载指令后，网络侧设备可进一步向终端设备发送ai模型或模型参数。
229.综上，根据本公开实施例提供的模型配置方法，网络侧设备可根据终端设备的终端性能信息确定终端设备是否支持下载人工智能ai模型，在确定终端设备支持下载ai模型时，网络侧设备为终端设备配置ai模型。本公开中的技术方案，可根据终端能力信息和终端状态信息为终端设备配置ai模型，能够保证终端侧所下载ai模型与自身能力的适配性，进而能在无线空口中准确引入ai模型，有效提高无线空口的传输性能。
230.作为一种可能的实现方式，参见图7，该方法包括如下步骤：
231.步骤701、网络侧设备向终端设备发送人工智能ai模型信息。
232.其中，在本公开的一些实施例中，ai模型信息可为网络侧设备所存储一个或多个ai模型的具体信息，ai模型信息可包括以下至少一种，但并不限于此：模型标识(identifier，id)；模型功能；模型使用范围；模型大小；模型时延要求；模型描述格式；模型下发的相关ai参数；模型复杂度。网络侧设备通过向终端设备发送ai模型信息，可使终端设备能够根据自己的能力和当前的状态判断是否要进行ai模型下载，以及在确定下载时根据ai模型信息选择需要下载的ai模型。
233.对于本公开实施例，网络侧设备在向终端设备发送人工智能ai模型信息时，作为一种可能的实现方式，网络侧设备可向终端设备广播ai模型信息；作为一种可能的实现方式，网络侧设备可在接收终端设备发送的用于请求获取ai模型信息的信息获取请求后，响应于终端设备发送的信息获取请求，向终端设备发送ai模型信息；作为一种可能的实现方式，网络侧设备可在接收到终端设备发送的终端性能信息后，根据终端性能信息判断终端设备是否具有ai处理能力，在判断终端设备具有ai处理能力后，向终端设备发送与终端性能信息匹配的ai模型信息；作为一种可能的实现方式，网络侧设备可向终端设备发送与终端设备对应设备类型匹配的ai模型信息。其中，网络侧设备在向终端设备发送与终端设备对应设备类型匹配的ai模型信息时，这种情况下可有预定义的步骤，例如预定义了第一类型终端设备支持什么能力，第二类型终端设备支持什么能力，网络侧设备通过获取终端类型就获取了终端对ai的支持情况，即确定与终端设备对应设备类型匹配的ai模型信息。
234.步骤702、终端设备根据ai模型信息以及终端性能信息生成ai模型响应信息，终端性能信息包括终端能力信息和终端性能信息中的至少一种。
235.对于本公开实施例，终端设备在接收到ai模型信息后，基于ai模型信息以及根据自己的能力和当前的状态判断是否要进行下载以及下载哪些ai模型。作为一种可能的实现方式，终端设备在确定其自身具有使用ai模型的能力后，可生成确定下载的ai模型响应信息。进而可通过继续执行实施例步骤703和704，实现ai模型在终端设备上的部署。其中，ai
模型响应信息可用于确定终端设备对ai模型的下载信息，下载信息可为终端设备根据终端性能信息，所确定适用于自身下载的ai模型或模型参数对应的模型标识等；作为一种可能的实现方式，终端设备在确定其自身不具有使用ai模型的能力后，可生成拒绝下载的ai模型响应信息，或者可直接不生成ai模型响应信息，对此不进行具体的限定。在此种情况下，则不再继续执行实施例步骤703和704。
236.其中，终端性能信息包括终端能力信息和终端性能信息中的至少一种。在具体的应用场景中，终端能力信息可包括以下至少一种：终端设备的推理能力；终端设备的存储能力；终端设备的处理能力；终端设备的编译能力；终端设备支持的ai模型格式；终端设备关于ai参数的支持能力(哪些参数需要编译，哪些参数不需要编译)；终端设备在线训练的能力；终端设备离线训练的能力。终端状态信息可包括以下至少一种：终端设备的信道状态；终端设备的移动状态；终端设备的地理位置；终端设备的电量状态；终端设备的ai模型使用情况。需要说明的是，终端性能信息还可包括能够用于反映终端设备对于ai模型下载运行能力的其他信息，以及终端能力信息和终端状态信息也并不局限于上述信息，还可包括其他信息类型，对此均不进行具体的限定。
237.步骤703、终端设备向网络侧设备发送ai模型响应信息。
238.其中，ai模型响应信息为终端设备根据ai模型信息以及终端性能信息生成的，其可用于确定终端设备对ai模型的下载信息，下载信息可为终端设备根据终端性能信息，所确定适用于自身下载的ai模型或模型参数对应的模型标识等。
239.步骤704、网络侧设备根据ai模型响应信息为终端设备配置ai模型。
240.在具体的应用场景中，在ai模型响应信息包括终端设备支持下载的ai模型的模型标识时，网络侧设备在接收到终端设备发送的ai模型响应信息后，可在本地存储的ai模型中确定与模型标识匹配的ai模型或模型参数。对于本公开实施例，终端设备可接收网络侧设备发送的模型标识对应的ai模型或模型参数。
241.综上，根据本公开实施例提供的模型配置方法，终端设备可接收到网络侧设备发送的ai模型信息，终端设备可基于ai模型信息确定对ai模型下载的ai模型响应信息；网络侧设备在接收到终端设备发送的ai模型响应信息后，可根据ai模型响应信息为终端设备配置ai模型。本公开中的技术方案，通过向终端设备发送ai模型信息，可使终端设备能够根据自身的能力和当前的状态进行ai模型的下载决策，以此能够保证终端侧所下载ai模型与自身能力的适配性，进而能在无线空口中准确引入ai模型，有效提高无线空口的传输性能。
242.图8为根据本公开实施例提供的一种网络侧设备800的结构示意图。
243.如图8所示，该网络侧设备800可包括：
244.接收模块810，可用于接收终端设备发送的终端性能信息，终端性能信息包括终端能力信息和终端性能信息中的至少一种；
245.发送模块820，可用于向终端设备发送人工智能ai模型相关的配置信息，配置信息为根据终端性能信息确定的。
246.在本公开的一些实施例中，接收模块810，可用于接收终端设备在预设时间点发送的终端性能信息；或接收终端设备根据触发信令发送的终端性能信息，其中，触发信令用于指示终端设备发送终端性能信息。
247.在本公开的一些实施例中，配置信息包括ai模型或模型参数，如图8所示，该网络
侧设备800还可包括：处理模块830；
248.处理模块830，可用于根据终端性能信息确定终端设备支持下载的ai模型或模型参数。
249.在本公开的一些实施例中，发送模块820，可用于向终端设备发送ai模型或模型参数；或在接收到终端设备发送的确认下载指令后，向终端设备发送ai模型或模型参数。
250.在本公开的一些实施例中，终端能力信息包括以下至少一种：
251.终端设备的推理能力；
252.终端设备的存储能力；
253.终端设备的处理能力；
254.终端设备的编译能力；
255.终端设备支持的ai模型格式；
256.终端设备关于ai参数的支持能力；
257.终端设备在线训练的能力；
258.终端设备离线训练的能力。
259.在本公开的一些实施例中，终端状态信息包括以下至少一种：
260.终端设备的信道状态；
261.终端设备的移动状态；
262.终端设备的地理位置；
263.终端设备的电量状态；
264.终端设备的ai模型使用情况。
265.图9为根据本公开实施例提供的一种网络侧设备900的结构示意图。
266.如图9所示，该网络侧设备900可包括：
267.发送模块910，可用于向终端设备发送人工智能ai模型信息；
268.接收模块920，可用于接收终端设备发送的ai模型响应信息，ai模型响应信息为终端设备根据ai模型信息生成的；
269.处理模块930，可用于根据ai模型响应信息为终端设备配置ai模型。
270.在本公开的一些实施例中，发送模块910，可用于向终端设备广播ai模型信息；或根据终端设备发送的信息获取请求，向终端设备发送ai模型信息，信息获取请求用于请求获取ai模型信息；或向终端设备发送与终端性能信息匹配的ai模型信息；或向终端设备发送与终端设备对应设备类型匹配的ai模型信息。
271.在本公开的一些实施例中，ai模型响应信息为终端设备根据ai模型信息以及终端性能信息生成的，终端性能信息包括终端能力信息和终端性能信息中的至少一种。
272.在本公开的一些实施例中，ai模型响应信息包括终端设备支持下载的ai模型的模型标识，处理模块930，可用于向终端设备发送模型标识对应的ai模型或模型参数。
273.在本公开的一些实施例中，终端能力信息包括以下至少一种：
274.终端设备的推理能力；
275.终端设备的存储能力；
276.终端设备的处理能力；
277.终端设备的编译能力；
278.终端设备支持的ai模型格式；
279.终端设备关于ai参数的支持能力；
280.终端设备在线训练的能力；
281.终端设备离线训练的能力。
282.在本公开的一些实施例中，终端状态信息包括以下至少一种：
283.终端设备的信道状态；
284.终端设备的移动状态；
285.终端设备的地理位置；
286.终端设备的电量状态；
287.终端设备的ai模型使用情况。
288.在本公开的一些实施例中，ai模型信息包括以下至少一种：
289.模型标识id；
290.模型功能；
291.模型使用范围；
292.模型大小；
293.模型时延要求；
294.模型描述格式；
295.模型下发的相关ai参数；
296.模型复杂度。
297.图10为根据本公开实施例提供的一种终端设备1000的结构示意图。
298.如图10所示，该网络侧设备1000可包括：
299.发送模块1010，可用于向网络侧设备发送终端性能信息，终端性能信息包括终端能力信息和终端性能信息中的至少一种；
300.接收模块1020，可用于接收网络侧设备发送的人工智能ai模型相关的配置信息，配置信息为网络侧设备根据终端性能信息确定的。
301.在本公开的一些实施例中，发送模块1010，可用于在预设时间点向网络侧设备发送终端性能信息；或根据触发信令向网络侧设备发送终端性能信息，其中，触发信令用于指示终端设备发送终端性能信息。
302.在本公开的一些实施例中，配置信息包括ai模型或模型参数，接收模块1120，可用于接收网络侧设备发送的ai模型或模型参数；或接收网络侧设备发送的ai模型或模型参数，其中，ai模型或模型参数为网络侧设备在接收到确认下载指令后发送的。
303.在本公开的一些实施例中，终端能力信息包括以下至少一种：
304.终端设备的推理能力；
305.终端设备的存储能力；
306.终端设备的处理能力；
307.终端设备的编译能力；
308.终端设备支持的ai模型格式；
309.终端设备关于ai参数的支持能力；
310.终端设备在线训练的能力；
311.终端设备离线训练的能力。
312.在本公开的一些实施例中，终端状态信息包括以下至少一种：
313.终端设备的信道状态；
314.终端设备的移动状态；
315.终端设备的地理位置；
316.终端设备的电量状态；
317.终端设备的ai模型使用情况。
318.图11为根据本公开实施例提供的一种终端设备1100的结构示意图。
319.如图11所示，该网络侧设备1100可包括：
320.接收模块1110，可用于接收网络侧设备发送的人工智能ai模型信息；
321.处理模块1120，可用于根据ai模型信息生成ai模型响应信息；
322.发送模块1130，可用于向网络侧设备发送ai模型响应信息；
323.接收模块1110，可用于接收网络侧设备根据ai模型响应信息配置的ai模型。
324.在本公开的一些实施例中，接收模块1210，可用于接收网络侧设备广播的ai模型信息；或接收网络侧设备根据信息获取请求发送的ai模型信息，信息获取请求用于请求获取ai模型信息；或接收网络侧设备发送的与终端性能信息匹配的ai模型信息；或接收网络侧设备发送的与终端设备对应设备类型匹配的ai模型信息。
325.在本公开的一些实施例中，处理模块1120，可用于根据ai模型信息以及终端性能信息生成ai模型响应信息，终端性能信息包括终端能力信息和终端性能信息中的至少一种。
326.在本公开的一些实施例中，ai模型响应信息包括终端设备支持下载的ai模型的模型标识，接收模块1110，可用于接收网络侧设备发送的模型标识对应的ai模型或模型参数。
327.在本公开的一些实施例中，终端能力信息包括以下至少一种：
328.终端设备的推理能力；
329.终端设备的存储能力；
330.终端设备的处理能力；
331.终端设备的编译能力；
332.终端设备支持的ai模型格式；
333.终端设备关于ai参数的支持能力；
334.终端设备在线训练的能力；
335.终端设备离线训练的能力。
336.在本公开的一些实施例中，终端状态信息包括以下至少一种：
337.终端设备的信道状态；
338.终端设备的移动状态；
339.终端设备的地理位置；
340.终端设备的电量状态；
341.终端设备的ai模型使用情况。
342.在本公开的一些实施例中，ai模型信息包括以下至少一种：
343.模型标识id；
board，pcb)、电子设备等上。该处理器和收发器也可以用各种ic工艺技术来制造，例如互补金属氧化物半导体(complementary metal oxide semiconductor，cmos)、n型金属氧化物半导体(nmetal-oxide-semiconductor，nmos)、p型金属氧化物半导体(positive channel metal oxide semiconductor，pmos)、双极结型晶体管(bipolar junction transistor，bjt)、双极cmos(bicmos)、硅锗(sige)、砷化镓(gaas)等。
359.以上实施例描述中的通信装置可以是网络设备或者用户设备，但本技术中描述的通信装置的范围并不限于此，而且通信装置的结构可以不受图12的限制。通信装置可以是独立的设备或者可以是较大设备的一部分。例如该通信装置可以是：
360.(1)独立的集成电路ic，或芯片，或，芯片系统或子系统；
361.(2)具有一个或多个ic的集合，可选的，该ic集合也可以包括用于存储数据，计算机程序的存储部件；
362.(3)asic，例如调制解调器(modem)；
363.(4)可嵌入在其他设备内的模块；
364.(5)接收机、终端设备、智能终端设备、蜂窝电话、无线设备、手持机、移动单元、车载设备、网络设备、云设备、人工智能设备等等；
365.(6)其他等等。
366.对于通信装置可以是芯片或芯片系统的情况，可参见图13所示的芯片的结构示意图。图13所示的芯片包括处理器1401和接口1402。其中，处理器1401的数量可以是一个或多个，接口1402的数量可以是多个。
367.可选的，芯片还包括存储器1403，存储器1403用于存储必要的计算机程序和数据。
368.本领域技术人员还可以了解到本技术实施例列出的各种说明性逻辑块(illustrative logical block)和步骤(step)可以通过电子硬件、电脑软件，或两者的结合进行实现。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现的功能，但这种实现不应被理解为超出本技术实施例保护的范围。
369.本技术还提供一种可读存储介质，其上存储有指令，该指令被计算机执行时实现上述任一方法实施例的功能。
370.本技术还提供一种计算机程序产品，该计算机程序产品被计算机执行时实现上述任一方法实施例的功能。
371.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机程序。在计算机上加载和执行计算机程序时，全部或部分地产生按照本技术实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机程序可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机程序可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质
(例如，软盘、硬盘、磁带)、光介质(例如，高密度数字视频光盘(digital video disc，dvd))、或者半导体介质(例如，固态硬盘(solid state disk，ssd))等。
372.本公开提出一种模型配置方法及装置，能够解决不能在无线空口中准确引入ai模型，无法有效提高无线空口的传输性能的技术问题。
373.基于本公开，本方案的实施例示例如下：
374.方法一：终端上报终端能力，网络根据终端上报的能力判断是否给终端配置模型的下载
375.终端上报的能力包括：
376.(1)终端是否支持进行推理的能力
377.(2)终端的存储能力
378.(3)终端的处理能力
379.(4)终端是否具有编译能力，或终端支持哪种ai模型格式
380.(5)终端关于ai参数的支持能力(哪些参数需要编译，哪些参数不需要编译)
381.(6)终端终端设备在线训练或离线训练(onlineor offline training)的能力。
382.终端能力的上报可以是终端主动上报或者基于网络触发的上报
383.网络侧根据终端能力确定是否给终端配置基于ai的处理模型
384.作为一种可能的实施方式：可响应于网络确定终端具有使用ai模型的能力，网络直接给终端配置模型的下载
385.作为一种可能的实施方式：可响应于网络确定终端具有使用ai模型的能力,网络给终端配置进行ai模型下载的请求。终端根据当前的状态，例如终端电量，或者终端ai modem的使用情况确定是否下载ai模型。只有当终端响应确定下载后，网络才进行ai模型的下载。否则终端不进行下载
386.作为一种可能的实施方式：如果终端本地存储的模型包含对应的网络配置的模型，只是更新网络侧该模型的参数，不进行整体模型的下载。
387.方法二：网络告知终端网络侧存储的ai模型信息，终端根据自己的能力和当前的状态判断是否要进行下载以及下载哪些模型
388.网络通知终端存储模型的具体信息，信息可包括以下内容
389.(1)模型id
390.(2)模型的功能，使用范围
391.(3)模型的大小
392.(4)使用模型的时延等要求等
393.(5)模型的描述格式
394.(6)模型下发的相关ai参数，复杂度等。
395.网络的通知类型可以是网络进行广播，或者基于终端请求进行发送，或者基于终端发送了具有ai处理能力后进行通知(或者基于终端发送了具有ai处理能力后，并且根据终端目前的状态后通知适用于终端当前状态的模型信息)或者根据不同类型手机通过配置消息进行配置。
396.终端侧根据网络通知的ai模型信息以及本地能力或状态，确定下载哪些模型，或者更新哪些参数。
397.终端向网络请求下载模型
398.作为一种可能的实施方式：终端可以模型id请求模型下载，例如告知网络需要下载的模型的id
399.作为一种可能的实施方式：终端可以模型id请求模型参数更新，例如告知网络需要更新参数以及对应的模型id。
400.网络基于终端请求，向终端发送对应的ai模型，或者ue请求更新的参数。
401.综上，本公开具有以下有益技术效果：网络侧设备或终端设备可根据终端设备的终端性能信息确定终端设备是否支持下载人工智能ai模型，在确定终端设备支持下载ai模型时，网络侧设备为终端设备配置ai模型。本公开中的技术方案，可根据终端能力信息和终端状态信息为终端设备配置ai模型，能够保证终端侧所下载ai模型与自身能力的适配性，进而能在无线空口中准确引入ai模型，有效提高无线空口的传输性能。
402.本公开的实施方式或实施例并非穷举，仅为部分实施方式或实施例的示意，不作为对本公开保护范围的具体限制。在不矛盾的情况下，某一实施方式或实施例中的每个步骤均可以作为独立实施例来实施，且各步骤之间可以任意组合，例如，在某一实施方式或实施例中去除部分步骤后的方案也可以作为独立实施例来实施，且在某一实施方式或实施例中各步骤的顺序可以任意交换，另外，某一实施方式或实施例中的可选方式或可选例可以任意组合；此外，各实施方式或实施例之间可以任意组合，例如，不同实施方式或实施例的部分或全部步骤可以任意组合，某一实施方式或实施例可以与其他实施方式或实施例的可选方式或可选例任意组合。
403.在一些实施方式或实施例中，本公开中的“响应于
……”
、“在
……
的情况下”、“在
……
时”、“当
……
时”、“若
……”
、“如果
……”
等可以被相互替换。
404.在一些实施方式或实施例中，本公开的“a或b”、“a和/或b”、“a和b的至少一个”、“在一情况下a，在另一情况下b”、“响应于一情况a，响应于另一情况b”等记载方式，根据情况可以包括以下至少一个技术方案：与b无关地执行a，即，在一些实施方式或实施例中a；与a无关地执行b，即，在一些实施方式或实施例中b；a、b选择性执行，即，在一些实施方式或实施例中从a与b中选择执行；a、b都执行，即，在一些实施方式或实施例中a和b。
405.在一些实施方式或实施例中，本公开中的“包括a”、“包含a”、“用于指示a”“携带a”，可以解释为直接携带a，也可以解释为间接指示a。
406.此外，本公开所涉及的表格中的每一元素、每一行、或每一列均可以作为独立实施例来实施，任意元素、任意行、任意列的组合也可以作为独立实施例来实施。
407.本领域普通技术人员可以理解：本技术中涉及的第一、第二等各种数字编号仅为描述方便进行的区分，并不用来限制本技术实施例的范围，也表示先后顺序。
408.本技术中的至少一个还可以描述为一个或多个，多个可以是两个、三个、四个或者更多个，本技术不做限制。在本技术实施例中，对于一种技术特征，通过“第一”、“第二”、“第三”、“a”、“b”、“c”和“d”等区分该种技术特征中的技术特征，该“第一”、“第二”、“第三”、“a”、“b”、“c”和“d”描述的技术特征间无先后顺序或者大小顺序。
409.如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(pld))，包括，接收作为机器可读信号的机器指令的机器可读
介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
410.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
411.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
412.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
413.此外，应该理解，本技术的各种实施例可以单独实施，也可以在方案允许的情况下与其他实施例组合实施。
414.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
415.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
416.以上，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种模型配置方法，其特征在于，所述方法由网络侧设备执行，包括：接收终端设备发送的终端性能信息，所述终端性能信息包括终端能力信息和终端状态信息中的至少一种；向所述终端设备发送人工智能ai模型相关的配置信息，所述配置信息为根据所述终端性能信息确定的。2.根据权利要求1所述的方法，其特征在于，所述接收终端设备发送的终端性能信息，包括：接收终端设备在预设时间点发送的终端性能信息；或接收终端设备根据触发信令发送的终端性能信息，其中，所述触发信令用于指示所述终端设备发送所述终端性能信息。3.根据权利要求1所述的方法，其特征在于，所述配置信息包括ai模型或模型参数，所述方法还包括：根据所述终端性能信息确定所述终端设备支持下载的ai模型或模型参数。4.根据权利要求3所述的方法，其特征在于，所述向所述终端设备发送人工智能ai模型相关的配置信息，包括：向所述终端设备发送所述ai模型或所述模型参数；或在接收到所述终端设备发送的确认下载指令后，向所述终端设备发送所述ai模型或所述模型参数。5.根据权利要求1至4中任一项所述的方法，其特征在于，所述终端能力信息包括以下至少一种：终端设备的推理能力；终端设备的存储能力；终端设备的处理能力；终端设备的编译能力；终端设备支持的ai模型格式；终端设备关于ai参数的支持能力；终端设备在线训练的能力；终端设备离线训练的能力。6.根据权利要求1至4中任一项所述的方法，其特征在于，所述终端状态信息包括以下至少一种：终端设备的信道状态；终端设备的移动状态；终端设备的地理位置；终端设备的电量状态；终端设备的ai模型使用情况。7.一种模型配置方法，其特征在于，所述方法由网络侧设备执行，包括：向终端设备发送人工智能ai模型信息；接收所述终端设备发送的ai模型响应信息，所述ai模型响应信息为所述终端设备根据所述ai模型信息生成的；
根据所述ai模型响应信息为所述终端设备配置ai模型。8.根据权利要求7所述的方法，其特征在于，所述向终端设备发送人工智能ai模型信息，包括：向终端设备广播所述ai模型信息；或根据终端设备发送的信息获取请求，向所述终端设备发送所述ai模型信息，所述信息获取请求用于请求获取所述ai模型信息；或向终端设备发送与终端性能信息匹配的ai模型信息；或向终端设备发送与所述终端设备对应设备类型匹配的ai模型信息。9.根据权利要求7所述的方法，其特征在于，所述ai模型响应信息为所述终端设备根据所述ai模型信息以及终端性能信息生成的，所述终端性能信息包括终端能力信息和终端性能信息中的至少一种。10.根据权利要求7所述的方法，其特征在于，所述ai模型响应信息包括所述终端设备支持下载的ai模型的模型标识，所述根据所述ai模型响应信息为所述终端设备配置所述ai模型，包括：向所述终端设备发送所述模型标识对应的ai模型或模型参数。11.根据权利要求9所述的方法，其特征在于，所述终端能力信息包括以下至少一种：终端设备的推理能力；终端设备的存储能力；终端设备的处理能力；终端设备的编译能力；终端设备支持的ai模型格式；终端设备关于ai参数的支持能力；终端设备在线训练的能力；终端设备离线训练的能力。12.根据权利要求9所述的方法，其特征在于，所述终端状态信息包括以下至少一种：终端设备的信道状态；终端设备的移动状态；终端设备的地理位置；终端设备的电量状态；终端设备的ai模型使用情况。13.根据权利要求7至12中任一项所述的方法，其特征在于，所述ai模型信息包括以下至少一种：模型标识id；模型功能；模型使用范围；模型大小；模型时延要求；模型描述格式；模型下发的相关ai参数；
模型复杂度。14.一种模型配置方法，其特征在于，所述方法由终端设备执行，包括：向网络侧设备发送终端性能信息，所述终端性能信息包括终端能力信息和终端性能信息中的至少一种；接收所述网络侧设备发送的人工智能ai模型相关的配置信息，所述配置信息为所述网络侧设备根据所述终端性能信息确定的。15.根据权利要求14所述的方法，其特征在于，所述向网络侧设备发送终端性能信息，包括：在预设时间点向所述网络侧设备发送终端性能信息；或根据触发信令向所述网络侧设备发送终端性能信息，其中，所述触发信令用于指示所述终端设备发送所述终端性能信息。16.根据权利要求14所述的方法，其特征在于，所述配置信息包括ai模型或模型参数，所述接收所述网络侧设备发送的人工智能ai模型相关的配置信息，包括：接收所述网络侧设备发送的所述ai模型或所述模型参数；或接收所述网络侧设备发送的所述ai模型或所述模型参数，其中，所述ai模型或所述模型参数为所述网络侧设备在接收到确认下载指令后发送的。17.根据权利要求14至16中任一项所述的方法，其特征在于，所述终端能力信息包括以下至少一种：终端设备的推理能力；终端设备的存储能力；终端设备的处理能力；终端设备的编译能力；终端设备支持的ai模型格式；终端设备关于ai参数的支持能力；终端设备在线训练的能力；终端设备离线训练的能力。18.根据权利要求14至16中任一项所述的方法，其特征在于，所述终端状态信息包括以下至少一种：终端设备的信道状态；终端设备的移动状态；终端设备的地理位置；终端设备的电量状态；终端设备的ai模型使用情况。19.一种模型配置方法，其特征在于，所述方法由终端设备执行，包括：接收网络侧设备发送的人工智能ai模型信息；根据所述ai模型信息生成ai模型响应信息；向所述网络侧设备发送所述ai模型响应信息；接收所述网络侧设备根据所述ai模型响应信息配置的ai模型。20.根据权利要求19所述的方法，其特征在于，所述接收网络侧设备发送的人工智能ai
模型信息，包括：接收网络侧设备广播的所述ai模型信息；或接收网络侧设备根据信息获取请求发送的所述ai模型信息，所述信息获取请求用于请求获取所述ai模型信息；或接收网络侧设备发送的与终端性能信息匹配的ai模型信息；或接收网络侧设备发送的与所述终端设备对应设备类型匹配的ai模型信息。21.根据权利要求19所述的方法，其特征在于，所述方法还包括：根据所述ai模型信息以及终端性能信息生成所述ai模型响应信息，所述终端性能信息包括终端能力信息和终端性能信息中的至少一种。22.根据权利要求19所述的方法，其特征在于，所述ai模型响应信息包括所述终端设备支持下载的ai模型的模型标识，所述接收所述网络侧设备根据所述ai模型响应信息配置的ai模型，包括：接收所述网络侧设备发送的所述模型标识对应的ai模型或模型参数。23.根据权利要求21所述的方法，其特征在于，所述终端能力信息包括以下至少一种：终端设备的推理能力；终端设备的存储能力；终端设备的处理能力；终端设备的编译能力；终端设备支持的ai模型格式；终端设备关于ai参数的支持能力；终端设备在线训练的能力；终端设备离线训练的能力。24.根据权利要求21所述的方法，其特征在于，所述终端状态信息包括以下至少一种：终端设备的信道状态；终端设备的移动状态；终端设备的地理位置；终端设备的电量状态；终端设备的ai模型使用情况。25.根据权利要求19至24中任一项所述的方法，其特征在于，所述ai模型信息包括以下至少一种：模型标识id；模型功能；模型使用范围；模型大小；模型时延要求；模型描述格式；模型下发的相关ai参数；模型复杂度。26.一种网络侧设备，其特征在于，包括：
接收模块，用于接收终端设备发送的终端性能信息，所述终端性能信息包括终端能力信息和终端性能信息中的至少一种；发送模块，用于向所述终端设备发送人工智能ai模型相关的配置信息，所述配置信息为根据所述终端性能信息确定的。27.一种网络侧设备，其特征在于，包括：发送模块，用于向终端设备发送人工智能ai模型信息；接收模块，用于接收所述终端设备发送的ai模型响应信息，所述ai模型响应信息为所述终端设备根据所述ai模型信息生成的；处理模块，用于根据所述ai模型响应信息为所述终端设备配置ai模型。28.一种终端设备，其特征在于，包括：发送模块，用于向网络侧设备发送终端性能信息，所述终端性能信息包括终端能力信息和终端性能信息中的至少一种；接收模块，用于接收所述网络侧设备发送的人工智能ai模型相关的配置信息，所述配置信息为所述网络侧设备根据所述终端性能信息确定的。29.一种终端设备，其特征在于，包括：接收模块，用于接收网络侧设备发送的人工智能ai模型信息；处理模块，用于根据所述ai模型信息生成ai模型响应信息；发送模块，用于向所述网络侧设备发送所述ai模型响应信息；接收模块，用于接收所述网络侧设备根据所述ai模型响应信息配置的ai模型。30.一种通信设备，其中，包括：收发器；存储器；处理器，分别与所述收发器及所述存储器连接，配置为通过执行所述存储器上的计算机可执行指令，控制所述收发器的无线信号收发，并能够实现权利要求1-29中任一项所述的方法。31.一种计算机存储介质，其中，所述计算机存储介质存储有计算机可执行指令；所述计算机可执行指令被处理器执行后，能够实现权利要求1-29中任一项所述的方法。32.一种通信系统，包括网络设备以及终端设备，其中，所述网络侧设备用于执行如权利要求1-13中任一项所述的方法；所述终端设备用于执行如权利要求14-25所述的方法。

技术总结
本公开提出了一种模型配置方法及装置，涉及通信技术领域，根据本公开实施例提供的模型配置方法，网络侧设备接收终端设备发送的终端性能信息，所述终端性能信息包括终端能力信息和终端状态信息中的至少一种；向所述终端设备发送人工智能AI模型相关的配置信息，所述配置信息为根据所述终端性能信息确定的。本公开能够解决不能在无线空口中准确引入AI模型，无法有效提高无线空口的传输性能的技术问题。有效提高无线空口的传输性能的技术问题。有效提高无线空口的传输性能的技术问题。


技术研发人员：牟勤 亢彦军 张会龙
受保护的技术使用者：北京小米移动软件有限公司
技术研发日：2023.03.08
技术公布日：2023/8/14