[2026 年 7 月 28 日提交]

作者：Jaber Daneshamooz, Eugene Vuong, Alagappan Ramanathan, Manni Moghimi, Haarika Manda, Satyam Kumar, Snithik Thode, Satyandra Guthula, Sylee Beltiukov, Dongsu Han, Tarun Mangla, Sangeetha Abdu Jyothi, Walter Willinger, Arpit Gupta

View PDF HTML (experimental)

Abstract:网络研究通过将假设转化为实证证据而取得进展，因此加速研究意味着减少从构思（综合假设）到生成检验数据之间的滞后。考虑一个具体案例：BBR 批量下载是否能与竞争的实时 Google Meet 流量公平共享瓶颈？验证这一点需要配置真实的瓶颈链路，同时生成 BBR 的批量传输和 Meet 的实时流量，并收集相关的服务质量指标。如今，这种开销很高，往往迫使研究人员为每个新想法从头开始。在代理 AI 时代，这种构思到数据生成之间的差距只会进一步恶化，因为 AI 辅助构思呈指数级加速，但其输出若没有数据生成后端则无法验证。
本文探讨如何弥合这一差距。我们设想一个可组合的领域专用后端 Pramana，形似细腰，上端是多样的研究意图，下端是各异的执行基底。Pramana 通过单一契约——意图规范——实现这一细腰，该规范将实验解聚为三个独立轴：意图（生成什么数据）、基底（在何处生成）和机制（如何生成），从而一份规范可在任何基底上运行。我们通过构建迄今首个语料库（从 66 篇已发表论文中挖掘出的 255 个数据生成意图）来展示 Pramana 的实用性，并表明该意图规范满足全部意图，而现有工具最多仅满足 13%。我们当前的原型实现已满足其中 34% 的意图，是最佳现有工具的两倍多；我们还规划了通过更广泛的社区协作构建所设想的数据生成后端、缩小抽象-实现差距的路线图，以加速实证网络研究。

Submission history

From: Jaber Daneshamooz [view email]
[v1] Tue, 28 Jul 2026 23:51:57 UTC (559 KB)