BestBlogs.dev📌 一句话摘要
文远知行发布物理 AI 认知大模型 WITT，通过引入最小物理事实单元，将连续道路视频拆解为可验证的结构化信息，提升数据处理效率 200 倍，错误率仅为通用大模型的三分之一，并与世界模型 GENESIS 协同形成数据闭环。
📝 详细摘要
文章报道了文远知行发布的物理 AI 认知基础大模型 WITT。该模型首次提出最小物理事实单元概念，将自动驾驶道路视频中的连续场景拆解为可识别、验证的事实单元，从而解决长尾数据难以提取和利用的瓶颈。WITT 具备事实提取、推理、验证和编排四大能力：提取阶段从多维度识别事实；推理阶段分析事件因果；验证阶段通过 6+1 机制检查错误；编排阶段根据稀缺度和可信度对数据进行分流。相比百亿级通用大模型，WITT 可节省 98% Token 成本，单卡单日处理 1 万分钟视频，实现 200 倍效率提升，每段视频平均事实错误率约为通用大模型的三分之一。WITT 与文远此前发布的世界模型 GENESIS 协同，形成物理 AI 飞轮：WITT 从真实数据中提取验证高价值场景，GENESIS 生成更多仿真变体，最终训练 L4 和 L2++车端模型。文章还介绍了文远 L4 车队（超 3000 辆）和 L2++方案 WRD 3.0 的落地情况，展示了数据反哺路径的具体化。
💡 主要观点
- WITT 通过最小物理事实单元将连续视频拆解为可验证的结构化信息。 该概念将道路场景分解为自车行为、交互对象、环境条件等独立事实，每项可检索和追溯，使长尾数据能被快速定位和利用。
- WITT 四大能力形成从识别到训练的数据闭环。 事实提取识别场景要素，事实推理分析因果，事实验证通过 6+1 机制检查错误，事实编排根据稀缺度和可信度分流数据，决定进入训练、仿真或复核。
- WITT 与 GENESIS 协同构成物理 AI 飞轮，实现 L4 与 L2++数据反哺。 WITT 从真实数据中提取验证高价值场景，GENESIS 生成更多仿真变体，共同训练车端模型；L4 车队提供复杂场景，L2++扩大覆盖，形成双向循环。
💬 文章金句
- 让每一公里都变成模型能力
- 世界是事实的总和
- 每一公里真实道路，究竟需要多久，才能变成下一版模型的能力