6.6
深览指数
科技量子位·杰西卡··AI 生成
文远发布物理AI大模型WITT：让每一公里都变成模型能力
文远知行发布物理AI认知基础大模型WITT，旨在解决自动驾驶数据利用率低的核心问题。WITT通过引入“最小物理事实单元”，将连续道路视频拆解为可识别、验证的结构化事实，并具备事实提取、推理、验证和编排四大能力，可将数据处理效率提升最高200倍，每段视频的事实错误率约为通用大模型的三分之一。文章详细阐述了WITT如何与文远此前发布的GENESIS世界模型协同，形成L4车队数据反哺L2++量产车的“物理AI飞轮”，并介绍了文远当前3000辆L4车队和近30个车型定点量产业务作为其数据与产品基础。适合关注自动驾驶行业技术路线、数据闭环和AI工程化落地的读者阅读。原文 ↗
核心观点
- ▍自动驾驶数据并非越多越好，未经处理的海量数据中，高价值长尾场景容易被淹没，且错误信号会污染模型；WITT旨在通过结构化事实提取、验证与编排，提升每一公里道路数据对模型进化的贡献效率。
- 01WITT在VLM基础上首次引入“最小物理事实单元”概念，将连续道路视频拆解为自车行为、交通参与者动作、道路条件等可独立检索和验证的事实。
- 02WITT具备事实提取、事实推理、事实验证、事实编排四大核心能力，形成从识别问题到决定数据流向的完整链路。
- 03WITT在自动驾驶垂类场景中的平均每片段事实错误率，约为通用大模型的三分之一。
- 04WITT相较百B级通用大模型，在同类任务中可节省98%的Token成本，单卡单日可处理1万分钟车辆运行视频，最高实现200倍数据处理效率提升。
- 05文远目前已落地12个国家、40多座城市，L4自动驾驶车队规模超过3000辆，Robotaxi在广州、北京、阿布扎比和迪拜开展常态化纯无人商业运营。
- 06文远的L2++一段式端到端方案WRD 3.0已获得近30个车型定点，并量产上车奇瑞星途星纪元、广汽埃安N60等车型。
- 07WITT与GENESIS世界模型协同，形成物理AI飞轮：WITT负责理解和验证真实世界，GENESIS负责扩展并生成高保真仿真场景和长尾变体，共同训练L4与L2++车端模型。
反方 / 局限
- — 文章未提及WITT在事实推理环节的准确性基准，也未说明其与现有基于规则或标签的传统数据筛选方案的成本与效果对比。
- — WITT的有效性高度依赖前端L4车队的规模和数据的真实复杂度，以及后端GENESIS模型生成场景的保真度，飞轮循环的闭环验证结果尚未披露。
11 分钟 · 4 卡片 · 12 资料
读原文 →