5G时代,预计将有70%-80%的业务类型发生在室内,而5G的高频段特性使其在穿透力和覆盖范围方面,难以满足室内外部署及新业务应用需求。
相对而言,小基站在产品形态、发射功率、覆盖范围上,能更好地解决热点地区扩容(补热)和增加覆盖区域(补盲)等问题,已成为5G产业加速的助推器。
小基站已成为5G助推器
目前小基站部署已转向大规模密集化。据市场研究机构ABI Research最新调查显示,2021年全球室内小型基站市场规模将达到18亿美元。
在具体应用场景上,5G小基站主要应用在工业互联网、自主驾驶汽车、4K/8K高清、VR/AR等行业应用,以及大型写字楼、机场、高铁站、购物中心、地铁、家庭等建筑场所内,面临不同场景下带宽、时延、覆盖、特有技术等方面的复杂挑战。
从设备形态及性能来说,5G小基站拥有Femtocell、Picocell、Microcell、室内/室外系统、O-RAN等不同类型,在测试验收需求上包含设备级、网络级、用户体验级等不同方面。
例如,在性能测试方面,业界对于信道仿真的核心诉求就包括:上下行峰值速率测试、信道上下行吞吐率测试、接入成功率、附着去附着成功率、切换成功率测试、时延测试等多种技术指标。
针对小基站的特性及实际行业需求,思博伦提出“Landslide + Vertex + Nomad-UX小基站测试方案”,通过为客户搭建5G小基站端到端测试平台,从核心网、小站侧到终端侧,助力验证小基站性能和业务体验,帮助客户撬动5G机遇并实现服务承诺。
Landslide核心网测试方案
核心网通常投入成本较高,网络结构复杂,客户希望构建便携、轻量化、业务全面的测试方案,能够跑通基本业务,并且实现与不同厂商核心网的互通。
对此,思博伦推出Landslide解决方案,使用仪表仿真核心网,满足客户5G核心网测试需求。
5G SA小站成功测试案例
Landslide作为业界最领先的5G核心网测试仪表,在主流运营商和厂商有着广泛使用,尤其为运营商5GC项目提供了强有力支持,独家提供很多关键特性,例如:
Landslide可以提供全套方案来支持从运营商大规模集采测试到少量业务的功能测试,主要的平台包含E10、C50、C100等,支持1000到500万UE,并且机型、功能、运行方式都可以任意组合,物理机和虚拟机可混合使用,同时使用LTE/5G/Wi-Fi/OTA等功能,支持自动和手动测试同时运行。
思博伦小基站空口测试方案
针对5G小基站的实际应用场景,需要信道仿真设备将外场环境内场化,在真实网络环境下(扫描衰落模型,功率电平,C/N等),进行接收性能评估/Benchmark测试/用户体验/算法改进等KPI测试,具体包括:
另外,还需要验证室内/室外信道测试、场景仿真(移动性测试、Mesh组网)等问题。
对此,思博伦基于Vertex无线信道仿真仪和ACM先进信道建模软件,构建了小基站空口性能测试方案。
目前,Vertex已经演化到了第五代平台,是业界可扩展性最强、仿真性能最佳的信道仿真器平台,用于精确地模拟复杂的信号衰落对无线传输的影响,满足从简单SISO到复杂、高密度要求的MIMO OTA、Massive MIMO、波束赋形、载波聚合、天线阵列,及Wi-Fi6、C-V2X、5G HST、Mesh组网、毫米波、VDT等典型场景的测试需求。
利用Vertex平台满足小基站空口测试需求
针对5G小基站测试,Vertex可提供如下功能,并通过灵活可变的信道密度满足各类测试应用:
具体到Vertex小基站MESH组网测试,可实现多小站与多终端之间Mesh组网测试,基站与终端2x2/4x4 MIMO连接,任意2节点可独立设置信道模型,室内场景,室外场景,不同移动速度等不同功能。
思博伦ACM信道建模软件,可与Vertex信道仿真器平滑集成,具有对用户友好的图形化应用,轻松创建所需的各类信道模型传播场景,耗时更少且无须执行任何后台计算。用户不需完全理解信道特性,只需通过实际场景和传播模型参数选择或导入,如gNB、设备天线模型或暗室设计,点击就可构建场景。
应用到5G小基站测试方案,可提供如下功能:
思博伦Umetrix 用户体验测试
最后,在终端侧用户体验层面,思博伦通过Umetrix评估5G小基站性能,验证是否满足5G应用场景和业务实现对网络的需求。
Umetrix方案针对5G用户终端设备及引用需求,主要验证小基站在语音、视频、数据业务体验方面的性能表现,具体包括:
Nomad – 语音
Chromatic – 视频
Datum – 数据
小基站蕴藏着大机遇。思博伦Landslide + Vertex + Nomad-UX小基站测试方案,对应5G小基站端到端全测试场景,全方位解决5G小基站部署需求及用户痛点,帮助每一位在5G时代加速前行的你!
好文章,需要你的鼓励
这项来自苹果公司的研究揭示了视频大语言模型评测的两大关键问题:许多测试问题不看视频就能回答正确,且打乱视频帧顺序后模型表现几乎不变。研究提出VBenchComp框架,将视频问题分为四类:语言模型可回答型、语义型、时序型和其他类型,发现在主流评测中高达70%的问题实际上未测试真正的视频理解能力。通过重新评估现有模型,研究团队证明单一总分可能掩盖关键能力差距,并提出了更高效的评测方法,为未来视频AI评测提供了新方向。
这篇来自KAIST AI研究团队的论文提出了"差分信息分布"(DID)这一创新概念,为理解直接偏好优化(DPO)提供全新视角。研究证明,当偏好数据编码了从参考策略到目标策略所需的差分信息时,DPO中的对数比率奖励形式是唯一最优的。通过分析DID熵,研究解释了对数似然位移现象,并发现高熵DID有利于通用指令跟随,而低熵DID适合知识密集型问答。这一框架统一了对DPO目标、偏好数据结构和策略行为的理解,为语言模型对齐提供理论支持。
VidText是一个全新的视频文本理解基准,解决了现有评估体系的关键缺口。它涵盖多种现实场景和多语言内容,提出三层评估框架(视频级、片段级、实例级),并配对感知与推理任务。对18个先进多模态模型的测试显示,即使最佳表现的Gemini 1.5 Pro也仅达46.8%平均分,远低于人类水平。研究揭示输入分辨率、OCR能力等内在因素和辅助信息、思维链推理等外部因素对性能有显著影响,为未来视频文本理解研究提供了方向。
ZeroGUI是一项突破性研究,实现了零人工成本下的GUI代理自动化在线学习。由上海人工智能实验室和清华大学等机构联合开发,这一框架利用视觉-语言模型自动生成训练任务并提供奖励反馈,使AI助手能够自主学习操作各种图形界面。通过两阶段强化学习策略,ZeroGUI显著提升了代理性能,在OSWorld环境中使UI-TARS和Aguvis模型分别获得14%和63%的相对改进。该研究彻底消除了传统方法对昂贵人工标注的依赖,为GUI代理技术的大规模应用铺平了道路。