室内环境感知依赖于大量部署的 IoT 设备，WiFi 信道状态信息（CSI）能够被动捕获人类活动和环境变化。然而，与视觉或音频不同，CSI 并没有天然的文字描述（如字幕或转录），导致其难以直接接入以语言为中心的多模态系统。为此我们构建了 CSI-TextBench，一个规模达 285,790 条样本、覆盖 7 项任务的统一数据集，并通过层次化标签生成 2,291 条自然语言描述，采用多对多映射形成约 200 万条 CSI‑文本训练对。数据集整合了三大已有感知基准，提供了活动识别、距离估计、身份辨认等细粒度任务的统一接口。我们在此基准上评估了 5 种对齐方法，分别来自 4 大范式（对比学习、跨模态映射、生成式对齐、标签映射），实验表明：对比学习的 CSI‑文本对齐在无需类别标签的情况下即可匹配监督分类器的性能；在少样本新类别上同样具备快速适应能力；并且能够响应开放词汇的自然语言提示。进一步地，一个统一的模型能够实现组合式场景理解，支持对活动、距离、身份的联合查询，在 140 条复合场景上取得 86.9% 的 Top‑1 准确率，显著优于任务专用分类器的集成方案。CSI-TextBench 为将环境感知层以语言索引的方式嵌入 AI 系统提供了可能，使得室内上下文能够被语言驱动的智能体直接感知和利用。
点评