0
| 本文作者： 陈淑瑜 | 2026-05-27 14:56 | 专题：CVPR 计算机视觉与模式识别会议 |
两辆车撞了，谁的责任？
以前AI只能告诉你"发生了追尾事故"，但不知道谁该赔钱。现在CVPR 2026的一篇论文直接把这个难题解决了——AITP（人工智能交警）不仅能看懂事故视频，还能像交警一样一步步推理，最后给出责任判定，准确率直接干翻人类专家！
这篇论文的核心突破：第一次把交通法规知识塞进多模态大模型，让AI不仅能"看"事故，还能"懂法"、会推理。
论文：AITP: Traffic Accident Responsibility Allocation via Multimodal Large Language Models (CVPR 2026 Findings)
https://arxiv.org/abs/2604.20878
现在的交通事故AI做到了什么水平？
| 责任分配（TARA） | 几乎没有 | - | 需要多步推理+法规依据 |
问题在哪？事故责任和简单分类不一样：
需要因果推理
需要法规依据
需要多步推理
之前的模型只会"看图说话"，不会"依法断案"。AITP就是来填补这个空白的。
AITP（Artificial Intelligence Traffic Police）是第一个专门为交通事故责任分配设计的多模态大模型。它的两大杀器：
人类交警怎么判案？不是直接说"这是A全责"，而是一步一步推理：
第一步：事故发生了吗？→ 是，两车碰撞 第二步：事故类型？→ 路口闯红灯碰撞 第三步：事故时间？→ 2026年4月11日14:32 第四步：事故主体？→ 黑色轿车（A车）、红色卡车（B车） 第五步：事故事实？→ A车闯红灯，B车正常通行 第六步：事故原因？→ A车未注意观察信号灯 第七步：如何避免？→ A车应遵守信号灯，减速慢行 第八步：责任判定？→ A车全责 第九步：自我验证？→ 依据《道交法》第38条，判定正确
AITP的MCoT就是把这个推理过程结构化了：
光会推理不够，还得懂法。AITP用RAG技术接入了交通法规知识库：
事故视频 → AITP提取关键信息 → 检索相关法规条文 ↓ 生成责任判定 + 法规依据 例："依据《道交法》第38条..."
这解决了大模型幻觉问题——不会瞎编法规条文，所有依据都从知识库检索而来。
? 通俗理解：
MCoT = 交警的推理过程（像人一样一步步分析）
RAG = 交警查阅法规手册（不会记错法律条文）
AITP基于Qwen3-VL构建，采用四阶段渐进式微调，让模型从简单到复杂逐步掌握技能：
| 第四阶段 | 责任分配（TARA） | 判定责任+引用法规 | ★★★★★ |
这种渐进式训练的好处：
先学走再学跑
避免灾难遗忘
任务协同
为了训练AITP，论文团队搞了个超级数据集DecaTARA（Decathlon-style Traffic Accident Responsibility Allocation）：
DecaTARA数据集规模： ? 视频数量：67,941个标注视频 ? 问答对：195,821个（每个视频平均3个QA） ? 任务数量：10个互相关联的推理任务 ? 核心任务：TARA（交通事故责任分配）
10个任务覆盖从简单到复杂的完整推理链：
责任分配（Responsibility Allocation）
这个数据集最大的特点：任务互相关联，形成了一个完整的推理链条。比如要判定责任，必须先知道事故类型、时间、主体、事实、原因。
AITP在DecaTARA的10个任务上全面碾压竞品：
| AITP（Qwen3-VL） | 82.7% | 78.9% | 80.8% |
在责任判定上，AITP比最强的基线模型高了14.3个百分点！
| 94.7% | |||
| 83.2% | |||
| 88.4% | |||
| 79.1% |
使用RAG后，AITP的法规幻觉率（瞎编法律条文）从32.5%降到3.8%，直接砍了88%！
对比实验证明，直接让模型输出"谁的责任"效果很差：
❌ 直接输出： 问：这起事故谁的责任？ 答：A车全责。（没推理过程，没法验证） ✅ MCoT输出： 第一步：事故发生了吗？→ 是 第二步：事故类型？→ 路口直行车辆与左转车辆碰撞 第三步：事故事实？→ A车左转未让行直行车辆 第四步：法规依据？→ 《道交法》第51条：左转车辆应让行直行车辆 第五步：责任判定？→ A车全责 第六步：自我验证？→ 判定符合法规，正确 ✓
MCoT的好处：
可解释
更准确
可调试
AITP的RAG流程：
1. 视频输入 → 提取关键信息（事故类型、车辆行为等） 2. 关键信息 → 向量化 → 检索最相关的法规条文 3. 法规条文 + 视频内容 → 生成责任判定 + 引用依据
法规知识库包含：
这篇论文的实用价值极高，直接能落地的场景：
交警队智能辅助
保险公司快速理赔
自动驾驶事故责任界定
驾校教学
法院辅助判决
? 商业价值估算：
中国每年交通事故约20万起，每起处理成本约500元（人工+时间）
AITP可降低70%成本 → 年节省约7000万元（仅事故处理环节）
AITP虽然强，但论文也坦承了局限：
极度依赖数据质量
极端场景仍困难
法规更新滞后
多车事故挑战
未来方向：
任务创新
技术创新
数据创新
这篇论文已经中了CVPR 2026 Findings，代码和数据集全部开源，对于做自动驾驶、智能交通、法律AI的朋友，这篇论文绝对值得深入研究。FSDETR告诉我们：换个维度思考，可能就是破局的关键。
雷峰网版权文章，未经授权禁止转载。详情见转载须知。
专题
