Kanalinformationszustand (CSI) ist die Grundlage sowohl für drahtlose Kommunikationssysteme als auch für Sensierungssysteme. In drahtlosen Kommunikationssystemen bietet CSI wichtige Einblicke in die Kanalbedingungen, was Systemoptimierungen wie Kanalkompensation und dynamische Ressourcenallokation ermöglicht. Die hohe rechnerische Komplexität von CSI-Schätzalgorithmen erfordert jedoch die Entwicklung schneller Tiefenlernmethoden zur CSI-Vorhersage. In Sensierungssystemen kann CSI genutzt werden, um Umgebungsänderungen zu erkennen, was verschiedene Funktionen wie Gestenerkennung und Personenidentifikation unterstützt. Tiefenlernmethoden haben in diesen feingranularen Klassifizierungsaufgaben auf Basis von CSI gegenüber modellbasierten Ansätzen erhebliche Vorteile gezeigt, insbesondere wenn die Klassen je nach Szenario variieren. Allerdings stellt die begrenzte Verfügbarkeit von Daten eine große Herausforderung bei der Schulung von Tiefenlernnetzen für drahtlose Systeme dar, was durch die vielfältigen Formate vieler öffentlicher Datensätze weiter kompliziert wird, da diese die Integration erschweren. Zudem kann das Sammeln von CSI-Daten ressourcenintensiv sein und viel Zeit sowie Personal erfordern. Um diese Herausforderungen zu bewältigen, schlagen wir CSI-BERT2 vor, eine Methode zur Vorhersage und Klassifizierung von CSI-Daten, die durch einen Vortrainings- und Feinabstimmungsansatz effektiv begrenzte Daten nutzt. Aufbauend auf CSI-BERT1 verbessern wir die Modellarchitektur durch die Einführung einer adaptiven Neugewichtungsebene (Adaptive Re-Weighting Layer [ARL]) und eines Mehrlagennetzes (Multi-Layer Perceptron [MLP]), um Subträger- und Zeitstempelinformation besser zu erfassen und das Problem der Permutationsinvarianz effektiv zu lösen. Des Weiteren schlagen wir eine Feinabstimmungsmethode des Mask Prediction Models (MPM) vor, um die Anpassungsfähigkeit des Modells für CSI-Vorhersageaufgaben zu erhöhen. Experimentelle Ergebnisse zeigen, dass CSI-BERT2 über alle Aufgaben hinweg den aktuellen Stand der Technik erreicht.