在 RIC 时间尺度上的意图解读：Jev 决策模型与大型语言模型在 6G Open RAN 中的对比

Hugging Face Daily Papers 论文
6g open-ran llm-latency intent-based-networking ric decision-models edge-inference

摘要

论文对比了 Jev-1.13.0 等决策模型与大型语言模型在 6G Open RAN RIC 中解释网络意图并生成 A1 策略的性能：LLM 因延迟过高（中位 0.286–2.35 秒）几乎无法满足 1 秒近实时预算，而 Jev 在 99.8% 的调用中达标，且未显示出优于 Jev 的 SLA 改善。

基于意图的 Open RAN 需要一个解释器，能够在 RAN 智能控制器（RIC）的闭环中将意图转换为 A1 策略。诸如 Jev-1.13.0 之类的决策模型返回带类型的策略字段，而生成式大型语言模型（LLM）则逐 token 生成策略。我们提出的问题是：LLM 额外的延迟是否会牺牲控制期限、RIC 容量或无线性能。我们在 RANIntent v1 基准上，通过闭环 ns-3 仿真以及真实的 A1 和 E2 通路，将 Jev-1.13.0、另外两个决策模型与 LLM 进行了对比。解读中位耗时为 0.286 至 2.35 秒，而 A1 和 E2 传输耗时不到 25 毫秒。Jev-1.13.0 在 99.8% 的调用中满足 1 秒近实时预算，而两个托管 LLM 分别只有 17.9% 和 0% 能达标。在无线网络中，理想的策略执行使受影响类别的服务等级协议（SLA）违规率朝着每个意图所要求的方向变化了 3.96 个百分点，而在基准点上则没有变化。在该基准点上，没有托管 LLM 表现出相对于 Jev-1.13.0 的显著改善。在同一基准点上，每秒一次的直接控制相比数值型 xApp 并未带来可确定的 SLA 改善。缓慢的解释器无法满足 1 秒预算，其中两个解释器在 2 意图/秒时队列即已饱和，而在基准点上并未检测到缓慢解释器造成的无线性能损失。
查看原文
查看缓存全文

缓存时间: 2026/10/06 12:54

论文页面 - RIC 时间尺度上的意图解读：6G 开放式 RAN 中的 Jev 决策模型与大语言模型对比

来源：https://huggingface.co/papers/2609.23136

摘要

基于意图的开放式 RAN 需要一个解释器，在 RAN 智能控制器（RIC）的控制环路内将意图转换为 A1 策略。Jev-1.13.0 等决策模型会返回带类型的策略字段，而生成式大语言模型（LLM）则逐 token 生成策略。我们想弄清楚：LLM 带来的额外延迟是否会拖累控制时延、RIC 容量或无线网络性能？我们在 RAN Intent v1 基准测试中将 Jev-1.13.0、另外两种决策模型与 LLM 进行对比，测试覆盖 ns-3 闭环仿真以及真实的 A1 与 E2 传输路径。解读延迟中位数为 0.286 到 2.35 秒，而 A1 和 E2 传输耗时不到 25 毫秒。Jev-1.13.0 在 99.8% 的调用中满足 1 秒的近实时预算，而两个托管 LLM 分别只有 17.9% 和 0%。在无线网络中，理想的策略执行使受影响类别的服务等级协议（SLA）违规率朝各意图所要求的方向移动了 3.96 个百分点，相比之下基准点处没有变化。在该基准点上，没有托管 LLM 相比 Jev-1.13.0 表现出统计上显著的提升。在同一点上，逐秒直接控制相比数值型 xApp 也没有带来统计上显著的 SLA 改善。速度较慢的解释器会错过 1 秒预算，且其中两个解释器在 2 意图/秒时就会使队列饱和，不过在基准点上并未观测到速度慢的解释器带来任何无线侧性能损失。

查看 arXiv 页面（https://arxiv.org/abs/2609.23136）｜查看 PDF（https://arxiv.org/pdf/2609.23136）｜GitHub（https://github.com/OniReimu/6G-JEV）｜加入收藏（https://huggingface.co/login?next=%2Fpapers%2F2609.23136）

在你的智能体中获取这篇论文：

hf papers read 2609.23136

还没有最新版 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用本论文的模型 0

暂无模型与本论文关联

在模型的 README.md 中引用 arxiv.org/abs/2609.23136，即可从此页面关联到该模型。

引用本论文的数据集 1

OniReimu/6G-JEV Viewer • 约 6 小时前更新 • 5.76k • 109（https://huggingface.co/datasets/OniReimu/6G-JEV）

引用本论文的 Space 0

暂无 Space 与本论文关联

在 Space 的 README.md 中引用 arxiv.org/abs/2609.23136，即可从此页面关联到该 Space。

包含本论文的合集 0

暂无合集包含本论文

将本论文加入合集（https://huggingface.co/new-collection），即可从此页面关联到该合集。

相似文章

我们自己的 Jev：单次前向传播中的类型化决策，从内部评判模型到开放 LoRA 模型

arXiv cs.CL

这篇论文介绍了一种“类型化决策”的系统 1 接口：通过一次前向传播，直接从模型的 logits 或小型分类头输出固定选项的概率，用于替代昂贵的前沿大语言模型评判器。作者部署了一个自托管的秩为 16 的 LoRA 评判器，对 14.8 万条智能体编码会话记录进行分流，成本仅为前沿模型评判器的约 1%；并在 JevBench 上使用 350 亿参数的开源模型达到 79.3%，与商业参考系统（73.0%）无显著差异。