arXiv cs.AI· Haowen Wan, Shangzhuo Xie, Syue-Ju Syue, Xianyue Wu, Runhua Li, Qianqian Yang·· 3 天前AI 评分24
PEAM：面向个性化、高效、自主移动网络配置的端侧通信智能体
PEAM: On-device Communication Agent for Personalized, Efficient and Autonomous Mobile Network Configuration
AI 导读
PEAM 是一款基于端侧 LLM 的通信智能体，可自主生成毫秒级执行的个性化网络配置规则。它先用手工标注的真实用户数据微调端侧 LLM，再分规则生成与规则执行两阶段运行，并构建用户画像以持续优化规则。基于微调后的 4B 模型，PEAM 网络配置决策正确率达 99.13%，生成规则有效率 92.50%，分别较传统专家规则方法高出 4.41% 和 84.50%。
正文 · AI 翻译
摘要：随着紧凑型大语言模型在智能手机上的部署日益增多，设备端自主决策成为可能，例如新兴的移动 GUI 智能体。然而，许多移动决策（例如用户切换应用或连接条件变化时的网络配置）必须满足严格的延迟约束，以保障用户体验。在本文中，我们提出 PEAM，一种基于设备端 LLM 的通信智能体，能够自主生成可在毫秒级内执行的个性化网络配置规则。具体而言，PEAM 首先使用由人工标注的真实用户数据构建的数据集对设备端 LLM 进行微调，将通信知识融入本地模型。随后，PEAM 分两个阶段运行。在规则生成阶段（在设备空闲时执行，例如夜间），PEAM 批量分析历史网络配置记录，并跨批次进行反思，以整合一致的证据、减少局部偏差，并推导出稳健的配置规则。为了随时间推移实现更准确、更稳定的规则生成，PEAM 进一步从高置信度规则中构建用户画像，以捕捉用户的网络偏好，并将该画像纳入每个规则生成周期。在规则执行阶段，当通信上下文发生变化（例如用户切换应用或连接条件变化）时，PEAM 被调用，并搜索规则库以识别并执行合适的规则。实验表明，基于微调的 4B 模型的 PEAM 实现了 99.13% 的正确网络配置决策，同时 PEAM 生成的规则中有 92.50% 是有效的，分别比传统的基于专家规则的方法高出 4.41% 和 84.50%。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.14855 [cs.AI] |
| （或 arXiv:2610.14855v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.14855 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Haowen Wan [查看邮箱]
[v1]
2026年10月10日 星期六 12:21:05 UTC（4,753 KB）
来源：arXiv cs.AI · arxiv.org