网络AI服务质量指标和测试体系白皮书（2026年）

网络AI演进背景

• 网络与AI融合趋势与新特性：5G与AI技术加速融合，推动通信网络向端边网云深度协同的智能服务基座演进。6G以“数字孪生、智慧泛在”为核心愿景，催生全息交互、通感互联等新型业务场景。网络与AI双向赋能，呈现Token级精细化传输、极致低时延推理、多模态融合传输等新特性，用户AI服务体验呈现多元化、个性化、泛在化特征。
• 5G网络服务质量体系局限性：传统5G QoS体系无法适配AI业务的Token流式传输、全链路推理、多模态并发等特性，且管控边界局限于传输链路，无法覆盖算力、模型、数据等AI核心要素，无法支撑6G网络内生智能的演进。
• 网络AI服务质量指标体系的必要性：构建网络AI服务质量（QoAIS）指标体系，适配网络与AI深度融合趋势，支撑6G网络内生智能演进，具备技术赋能与产业赋能价值。

网络AI服务质量指标体系

• 三层指标体系框架：QoAIS体系采用系统、任务、资源三层架构，遵循“整网支撑-用户体验-网络执行”的逻辑拆解。系统级面向全网批量AI业务统筹承载，任务级聚焦单用户单次AI任务，资源级下沉至连接、计算、数据、模型四类基础要素。
• 系统级QoAIS指标体系设计：提出AI服务密度和AI服务系统能效指标，反映系统吞度量水平和网络能效。
• 任务级QoS指标体系设计：提炼AI任务时延、AI任务准确度、AI任务能效三项核心性能指标。
• 资源级QoAIS指标体系设计：定义数据、连接、计算、模型四类资源的QoS指标，包括数据完整度、数据冗余度、数据时效性、带宽、时延、误码率、计算时延、计算精度、计算能效、模型准确率、模型复杂度、模型泛化性能等。

网络AI服务质量指标体系测试床

• 测试床整体架构：采用“终端-网络仿真-AI服务-数据解析”四类模块组网架构，可模拟真实无线环境，支持云端、边缘、端侧三类大模型部署形态，完成AI关联指标的标准化测试。
• 专项数据采集方法：提出功耗高精采集方法、数据集质量解析方法、模型性能监测方法，分别覆盖能效、数据质量、模型性能维度。
• 核心指标测试方案：采用“资源层单维度隔离测试、任务层端到端综合测试、系统层多用户并发压力测试”的分层测试方法论，测试核心指标包括带宽、时延、算力、能效、模型准确率、数据健康度等。

典型测试用例

• 偏差无线环境下不同部署方案性能测试：在弱网、高干扰等恶劣通信工况下，端侧推理无需跨网传输数据，首Token时延优势显著。
• 信道波动对LLM交互体验测试：LLM对无线时延、抖动高度敏感，网络动态波动会直接破坏Token传输连续性，造成响应迟滞、交互卡顿。
• 不同LLM模型规格性能测试：模型存在边际效益递减特征，轻量化模型可有效控制资源开销，大规格模型匹配复杂推理、专业创作等高要求业务。
• 对话上下文对LLM性能影响测试：随着对话轮次增加，输入数据量逐步增大，模型推理负担加重，首Token时延随之拉长。
• 多用户并发LLM系统承载性能测试：多用户并发场景下，云端算力、无线空口、传输带宽等共享资源被多方抢占，单任务可分配的资源持续减少，最终造成全流程时延显著上升。

未来展望

• 扩充测试场景与用例，完善指标验证，迭代优化测试体系，逐步完善QoAIS产业应用体系，推动指标、测试、组网、算力调度深度融合，助力6G网络与AI技术协同发展，加速智能服务规模化商用。