文远知行近日正式推出其自主研发的物理AI认知基础大模型——WeRide WITT。该模型全称为World Intelligence Toward Truth，中文释义为“以可信事实建立世界认知”，命名本身便清晰揭示了其核心使命与定位。

从行业视角来看，此次发布的WITT模型具备一个极具创新性的切入点：它在行业内首次引入了“最小物理事实单元”这一概念。依托视觉语言大模型（VLM）的能力，WITT能够打通视频、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、验证和重构的事实单元。换言之，它不再将视频视为一整段连续画面简单处理，而是像一位精密的拆解师，逐帧、逐动作地分析每一个细节。

模型命名也致敬了20世纪哲学家维特根斯坦。他提出的“世界是事实的总和”这一哲学观点，与物理AI的底层逻辑高度吻合——AI要真正认知真实世界，关键在于从环境、行为、规则、风险及时序关系中提炼出可信的事实，并在此基础上形成判断与推理能力。

那么，这个模型具体能实现哪些功能？官方将其归纳为四大核心能力：事实提取、事实推理、事实验证、事实编排。这四大能力构成了从场景识别到数据验证、再到学习分流的完整链路，使每一公里真实道路数据都能成为模型迭代的可靠信号。

1. 事实提取

WITT能够从标准驾驶事实、多主体交互事实和物理模糊条件三个维度，精准识别真实道路视频中的“最小物理事实单元”。举例来说，一段夜间雨天城市道路行车的视频，会被WITT自动拆解为自车右转、城市道路、交叉口、路口信号变化等多个独立事实单元。每个单元均具备高置信度、可校准、可追溯的特性，能够生成高密度场景描述，为后续的理解、验证和学习分流提供坚实基础。

2. 事实推理

完成事实提取后，WITT还能进一步推理场景中的关键事件、行为关系与风险变化，深入分析事件成因及后续演化趋势。在自动驾驶研发流程中，工程师经常需要从海量视频中寻找特定长尾场景，例如“施工区域内行人突然横穿”“雨天低能见度下他车压线”“窄路会车时自车减速避让”等复杂情况。WITT内置的视频数据引擎，支持通过关键词或自然语言问题快速检索海量视频数据，精准定位相关时序和目标场景。这对于提升长尾样本发现效率、数据回溯及问题定位能力，具有显著价值。

3. 事实验证

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对模型输出进行全面评估，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。通过追踪事实错误、幻觉、遗漏和时序错误，它既为数据使用者提供了质量判断标准，也为模型训练提供了偏好信号。目前，WITT在自动驾驶垂类场景中的平均每片段事实错误率，仅为通用大模型的三分之一左右。

4. 事实编排

在真实道路运营中，不同数据的价值差异显著。WITT能够按照学习价值对事实视频进行智能分流，使每一条数据进入最合适的学习路径：稀缺长尾场景回流至文远知行自研的世界模型WeRide GENESIS，用于模拟训练和场景扩展；高频日常场景则用于强化学习和流程优化；异常片段进入复核机制，避免关键数据被误判为“脏数据”。这样一来，WeRide WITT和WeRide GENESIS在云端共同驱动着文远知行的物理AI飞轮：WITT负责从真实道路数据中提取、理解、验证和编排物理事实，GENESIS据此生成高保真仿真场景与长尾训练场景，二者协同训练车端模型。

最后来看性能数据。相较于动辄百亿级参数的通用大模型，WeRide WITT以更轻量的模型规模，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。在标签模式下，单次请求即可输出100+动态标签，海量真实道路视频可以快速完成检索、验证并进入模型迭代。这一套组合拳，确实让人们对物理AI的实际落地有了更多期待。