6G 网络旨在支持按需下载 AI 模型，以满足用户多样化的推理需求。通过在边缘节点预缓存模型，用户可以低延迟地检索所需模型，以便在设备上进行 AI 推理。然而，由于存储容量有限，当前 AI 模型的庞大规模给边缘缓存带来了巨大挑战，同时通过无线信道同时提供异构模型也极具挑战性。为了应对这些挑战，我们提出了一个细粒度的 AI 模型缓存和下载系统，该系统利用参数可重用性，这种可重用性源于使用预训练共享模型中的固定参数对特定任务模型进行微调的常见做法。该系统选择性地在边缘节点缓存模型参数块 (PB)，从而消除了不同缓存模型之间可重用参数的冗余存储。此外，通过结合协调多点 (CoMP) 广播，我们通过同时向多个用户提供可重用的 PB 来提高下行链路频谱利用率。在这种方案中，我们通过联合优化 PB 缓存、迁移（边缘节点之间）和广播波束成形来最小化模型下载延迟。为了解决这个问题，我们开发了一个分布式多智能体学习框架，通过允许边缘节点明确地学习其动作之间的相互作用来促进协作。此外，我们提出了一种数据增强方法，该方法使用预测模型自适应地生成合成训练样本，以提高样本效率并加速策略学习。理论分析和仿真实验均证明了该学习框架的卓越收敛性能。
