Sim-to-Real Traffic Scene Understanding by Decoupling Semantics from Caption Generation with V-JEPA（在新窗口打开）
解耦交通 VQA 语义与事件描述生成，结合 V-JEPA 与结构化 refinement，在 AI City Challenge Track 2 排名第一。
- 将预定义交通问题先解析为结构化语义事实，再引导 caption 生成，降低幻觉
- 引入无需训练的结构化 refinement，利用统计先验、问题关联与时序一致性纠错
- 在 2026 AI City Challenge Track 2 官方 benchmark 上取得 87.09% VQA 准确率与 S2 60.0853