Reason or Recite：双专家加LLM评审的交通异常推理

双专家加LLM评审在交通异常推理赛道域内榜单排名第一。

资讯摘要

论文针对2026 AI City Challenge交通异常推理赛道提出Reason-or-Recite（RoR）框架。作者发现，闭式问题偏好精确、有证据支撑的推理，开放式答案则按与参考文本的相似度评分，标注风格影响很大，两类能力方向相反。RoR将官方思维链标注改写为结构化、时间对齐的模式，用LoRA微调9B视觉语言模型；另对4-bit量化的27B模型仅用答案微调以吸收标注风格；再由免训练的LLM评审逐题选择候选。作者报告其在域内榜单以平均分0.6788排名第一。

要点速读

1. 论文指出闭式问题与开放式答案对视觉语言模型的能力要求相反，后者评分受标注风格影响。
2. RoR用改写后的结构化思维链LoRA微调9B模型，并对4-bit量化27B模型仅用答案微调。
3. 由免训练LLM评审逐题在两个候选间选择，作者报告域内榜单平均分0.6788、排名第一。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/28 08:00:17（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。