本报讯（融媒体中心 孙艳平）一段夜间雨天城市道路行车的视频，在AI眼中不再是简单的信息流，而是被拆解为“自车右转”“交叉口”“路口信号变化”等一个个可被验证的“事实单元”，这正是北京亦庄企业文远知行发布的物理AI认知基础大模型WeRide WITT所带来的变化。近日，该企业推出自主研发的WITT模型，首次引入“最小物理事实单元”概念，为AI理解真实物理世界构建可信框架。该模型在自动驾驶垂类场景中的平均每片段事实错误率仅约为通用大模型的三分之一。

　　WITT全称World Intelligence Toward Truth，意为“以可信事实建立世界认知”。其核心突破在于，打通视频、图像、文本等多模态信息，将连续变化的真实场景拆解为可被识别和验证的事实单元，让AI从“看数据”进化到“理解事实”。当前，自动驾驶行业正面临数据难以被高效识别利用、高价值长尾样本稀缺、通用大模型容易产生幻觉与误判等问题。WITT的诞生，正是为了从海量真实道路数据中持续提炼有效场景事实，提升数据从训练到迭代的全链路质量。

　　目前，WITT具备事实提取、事实推理、事实验证、事实编排四大核心能力，贯通从场景识别、事件归因到数据验证、学习分流的完整环节，能让每一公里的真实道路数据都成为可信的模型迭代信号。

　　其中，以事实验证为例，为避免通用大模型在复杂交通环境中产生幻觉，WITT从弱势道路使用者、自车行为、他车行为、场景理解、事实完备性和交通设施六个维度评估模型输出，并引入事实置信度，调用外部物理证据反向验证结论是否成立，使得AI在自动驾驶场景中平均每片段事实错误率较通用大模型明显降低。

　　在工程部署过程中，WITT的效率优势也很明显。相较于动辄百B级参数的通用大模型，WITT以更轻量的模型规模，在同类任务中可节省98%的Token（词元）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。在标签模式下，该模型单次请求即可输出100+动态标签，海量真实道路视频得以快速完成检索、验证、进入模型迭代，成为持续沉淀的事实资产。