paper radar

TSNBench: Benchmarking LLM Proficiency in Time-Sensitive Networking

TSNBench：评测大模型在 TSN 领域能力的基准

Rubi Debnath, Daniel Bujosa Mateu, Luxi Zhao, Silviu S. Craciunas, Paul Pop, Sebastian Steinhorst · 2026-05-10

仿真与测试调度算法

中文摘要

这篇很适合 TSNBIT：它直接说明 AI 可以帮助学习 TSN，但不能盲目替代严肃的延迟分析和配置验证。

摘要翻译

这篇论文提出 TSNBench，用来评估大模型在 TSN 安全关键网络领域的知识掌握和计算能力。基准包含 939 道专家验证的选择题，以及 100 个面向 CBS 和 CQF 的最坏情况延迟计算任务。作者评测 16 个模型后发现，模型在选择题上可以达到较高正确率，但在开放式 WCD 计算上误差很大，说明选择题可能高估了模型在安全关键网络配置中的可靠性。

它解决什么问题

LLM 在通用知识任务上表现不错，但 TSN 这种安全关键网络需要精确的机制理解和延迟计算，普通问答准确率不足以说明模型可以参与工程配置。

中文解读

TSNBench 的价值不只在题库，而在区分了“会背概念”和“会算边界”。选择题覆盖 TSN 机制，开放题则要求模型计算 CBS/CQF 的最坏情况延迟，这更接近实际工程风险。

我的看法

这篇对 TSNBIT 的产品方向有启发：站点可以用 AI 做中文讲解和学习引导，但关键计算必须结合可验证工具、Network Calculus 或仿真器。AI 解释可以降门槛，AI 结论不能直接当配置依据。