CFM-Bench

CFM-Bench是一个为信道基础模型设计的统一多领域、多任务基准数据集，由上海大学和西安利物浦大学等机构联合创建，旨在解决现有研究中评估协议不一致、数据源单一以及数据划分泄露等问题。该数据集整合了六种异构信道配置，涵盖3GPP统计仿真、射线追踪模拟、工业与空中实测以及车载多模态同步仿真，总计包含157,900个单帧样本，并严格按轨迹、会话或空间区域进行官方划分以避免信息泄露。数据集构建过程注重机制多样性，保留了原始信道的复杂CSI、阵列几何、移动性信息及同步感知流，并通过质量控制和特定采样形成最终样本。其核心应用在于为物理层信道智能、无线接入网决策智能以及通感一体化三大维度下的六大任务组提供公平、可复现的评估基底，以系统比较不同模型在跨领域、跨任务中的表征迁移能力与泛化性能。CFM-Bench is a unified multi-domain, multi-task benchmark dataset designed for channel foundation models, jointly developed by institutions including Shanghai University and Xi'an Jiaotong-Liverpool University, which aims to address the issues of inconsistent evaluation protocols, single data source, and data partitioning leakage in existing research. This dataset integrates six heterogeneous channel configurations, covering 3GPP statistical simulations, ray-tracing simulations, industrial and aerial field measurements, and vehicle-mounted multimodal synchronous simulations, totaling 157,900 single-frame samples. It is officially partitioned strictly in accordance with trajectories, sessions or spatial regions to avoid information leakage. The dataset construction process emphasizes mechanism diversity, retaining the complex CSI, array geometry, mobility information and synchronous perception streams of the original channels, and finalizes the sample set through quality control and targeted sampling. Its core application is to provide a fair and reproducible evaluation baseline for six task groups under three dimensions: physical layer channel intelligence, radio access network decision intelligence, and integrated sensing and communication (ISAC), so as to systematically compare the representation transfer capability and generalization performance of different models across domains and tasks.

原始信息汇总

数据集概述：CFM-Bench

• 数据集名称：CFM-Bench (A Unified Multi-Domain, Multi-Task Benchmark for Channel Foundation Models)
• 发布机构/作者：Yuan Gao, Wenjun Yu, Jun Jiang, Yunfan Li, Xinyu Guo, Shugong Xu
• 数据集论文地址：https://arxiv.org/abs/2607.14975

核心目标

CFM-Bench 是一个统一的多领域、多任务基准，旨在解决信道基础模型（CFMs）评估中缺乏统一比较框架的问题。传统评估方式依赖于模型特定的流水线，使用不同的数据、无线配置、划分方式、适配流程、任务定义和指标，导致无法公平比较不同CFMs或与任务特定模型进行对比。CFM-Bench 填补了这一空白，为跨模型、跨领域、跨任务的信道表示可迁移性提供公共比较基础。

数据来源与配置

基准整合了六种信道配置，涵盖：

• 3GPP 统计仿真
• 两条独立的射线追踪流水线
• 工业及航空实测数据
• 同步车载多模态仿真数据

数据划分规则

• 官方划分：隔离完整的轨迹、测量会话、车辆链路、仿真实现或缓冲空间区域。
• 禁止用于预训练：基准不规定外部预训练语料或策略；任何基准划分不得用于CFM的预训练。
• 训练集用途：官方训练划分仅保留给下游微调使用。
• 披露要求：模型开发过程中使用的所有数据必须披露，且禁止在训练阶段使用官方测试单元。

任务组（六组）

任务按三类CFM应用维度组织：

物理层信道智能

• CSI（信道状态信息）反馈
• 频率与时间信道外推
• 传播状态分类

无线接入网决策智能

• 当前波束预测
• 未来波束预测

集成感知与通信

• 单帧定位
• 时间定位

学科领域

• 计算机科学：人工智能（cs.AI）

搜集汇总

数据集介绍

构建方式

在无线信道基础模型（CFM）迅速发展的背景下，现有模型评估常因数据、配置、划分方式及任务定义各异而缺乏公平比较。CFM-Bench 数据集的构建旨在填补这一空白，它汇聚了六种差异化的信道配置来源，涵盖 3GPP 统计仿真、两套独立的射线追踪管线、工业与无人机实测数据，以及同步的车载多模态仿真。为确保评估的严谨性，数据集遵循严格的单元级划分原则，以完整轨迹、测量会话、车辆链路或空间区域作为独立分割单位，并强制要求任何被测模型不得将基准数据用于预训练，官方训练集仅限下游微调使用。这样的设计从根本上杜绝了信息泄漏与虚假泛化，构建了一个可复现、公正的多域多任务比较平台。

特点

CFM-Bench 最显著的特点在于其多维度机制覆盖与严格的隔离策略。数据集不仅囊括了统计变化、几何一致多径、硬件效应与多模态环境等互补的信道产生机制，还保留了原始的物理元数据，允许各模型灵活选择输入表征与预处理方式。在任务层面，它围绕物理层信道智能、无线接入网决策智能以及通感一体化三大应用维度，组织了六个任务组，涵盖 CSI 反馈、频率与时间信道外推、传播状态分类、波束预测及定位。尤为重要的是，基准禁止随机帧级划分，转而采用轨迹或会话级隔离，并强制要求披露全部开发数据使用情况，从而确保性能评估的公正性与透明度。

使用方法

使用 CFM-Bench 时，需严格遵守其数据暴露与测试隔离策略。研究者只能使用官方训练集进行下游微调，验证集可用于模型选择与超参数调优，而测试集仅在最终推理与评分时方可访问，绝不可参与模型开发的任何环节。各领域数据保留了源特定的结构而非统一张量形状，因此用户需根据所选模型自行进行重采样、归一化与分词等预处理，并将这些选择如实记录。提交结果时，必须附上数据暴露声明，详列所有使用的基准及外部数据来源。基准不依赖于隐藏的评估服务器，而是通过固定的划分定义、数值审计与强制披露保障可复现性，最终按领域报告得分，并以未加权宏平均值作为次要汇总指标。

背景与挑战

背景概述

随着人工智能从网络优化的辅助工具演变为无线空口的原生组成部分，信道基础模型（CFM）的研究近年来取得了显著进展。然而，现有评估体系长期局限于各自独立的流水线中，不同研究采用迥异的预训练语料、无线配置、数据划分方式、任务定义与度量指标，使得模型间的公平比较与泛化能力判断缺乏统一平台。为弥合这一空白，上海大学与西交利物浦大学的研究人员于2026年共同发布了CFM-Bench，一个统一的多域、多任务基准。该基准精心整合了六种覆盖3GPP统计仿真、多套射线追踪管线、工业与空中实测数据以及同步车载多模态仿真的信道配置，并严格规定了以完整轨迹、测量会话或车辆链路为单位的无泄漏数据划分策略。CFM-Bench致力于解决信道表征在不同模型、环境与应用之间的迁移性评估难题，为无线AI社区构筑了一个可复现的比较基石。

当前挑战

CFM-Bench面临的挑战主要体现在两个层面。其一，领域问题层面，无线信道具有强烈的时空相关性，若采用随机帧级划分会造成训练集与测试集间显著的信息重叠，导致评估指标被系统性地高估。其二，构建过程中，现有数据集多依赖单一的3GPP统计模型或特定射线追踪环境，难以系统测试模型在不同传播物理机制（包括随机起伏、几何一致性多径、硬件引入效应及环境感知信息）下的鲁棒性；同时，仿真与实测信道之间的性能鸿沟因缺乏多机制覆盖而未能被充分刻画。此外，不同数据源在样本规模、幅度标定、标签密度与难度上存在天然异质性，意味着简单跨域平均得分无法反映真实能力。因此，如何设计泄漏感知的数据划分协议、构建跨多源物理机制的统一评估框架，并确保异构域之间公平可比，构成了本基准的核心挑战。

常用场景

经典使用场景

CFM-Bench作为统一的多域、多任务基准，在无线通信领域被广泛用于公平评估和比较不同信道基础模型（Channel Foundation Models, CFMs）的迁移学习能力。研究者利用该数据集涵盖的六种信道配置，包括3GPP统计仿真、射线追踪仿真、工业与空对地实测数据以及多模态车载仿真，系统性地测试模型在物理层（PHY）、无线接入网（RAN）和通信感知一体化（ISAC）等任务上的表现。其数据分区严格按轨迹、测量会话、车辆链路或空间区域进行划分，有效防止信息泄露，为跨域、跨模型的信道表示可迁移性提供了标准化的评估平台。

实际应用

在工程实践层面，CFM-Bench为6G无线网络的智能化设计与部署提供了有力工具。其涵盖的CSI反馈、频率/时域信道外推、波束预测及无线定位等任务，直接对应着现实系统中信道压缩上报、动态波束管理、高精度导航等关键环节。例如，在频率双工大规模MIMO场景中，基于CFM-Bench训练的模型可显著提升CSI编码-解码效率；在车联网通信中，其多模态数据支持利用信道与环境感知信息实现精确的车辆定位与波束追踪。该基准因而加速了基于人工智能的空中接口技术从理论走向产业落地。

衍生相关工作

CFM-Bench的发布催生了一系列重要的衍生研究工作。在其框架下，研究者提出了多种面向信道表示学习的创新模型，如基于掩码信道建模的LWM、具备跨域时空结构提取能力的WiFo、以及融合频域与时延域一致性对比学习的CSI-CLIP++。这些工作利用CFM-Bench提供的统一评估协议，验证了预训练特征在信道预测、波束选择和定位任务中的高效迁移性，并推动了端到端预编码与多任务联合预测等方向的探索。该基准亦为3GPP标准化中AI/ML技术的评估提供了可靠的实验参照。