不用地图也能规划公交路线？| TransitLM：首个大规模端到端公交路线生成数据集与基准

📌 一句话摘要

高德地图提出 TransitLM，通过将 12 万公交站点注册为独立 token 并在 1300 万条路线数据上微调 4B 模型，实现了无需地图基础设施的端到端公交路线生成，性能持平生产级路径引擎。

📝 详细摘要

本文介绍了高德地图团队提出的 TransitLM，一种无需地图基础设施的端到端公交路线规划方案。文章首先指出传统方案依赖完整地图基础设施与多级管线，流程冗长；通用大模型因缺乏领域拓扑知识，路线连通率与精确匹配率均不理想；工具增强方案虽可提升性能，但未真正降低工程复杂度。TransitLM 的核心创新包括：将 120，845 个站点 ID 注册为独立 token，从根源消除幻觉站点；采用继续预训练（CPT）+ 监督微调（SFT）两阶段训练，在 1300 万条路线数据上学习网络拓扑与换乘逻辑；以 Qwen3-4B 为基座，4B 参数即可完成任务。实验结果显示，TransitLM 在三个 Benchmark 任务上连通率 ≥ 93%，精确匹配达 71.0%，距离/时间/费用预测误差小于 1.4%，性能持平调用高德路径引擎的工具增强方案。文章还揭示了模型涌现的隐式空间定位能力——仅凭 GPS 坐标即可精确定位站点。最后讨论了当前局限（无法处理动态网络变化、缺乏实时交通信息、地理覆盖有限）与未来方向。

💡 主要观点

- 将公交站点注册为独立 token 可从根本上消除幻觉站点。 TransitLM 将 120，845 个站点 ID 加入模型词表，模型只能输出真实存在的站点，同时通过共现模式学习站点间连通关系，大幅降低生成断连路线的概率。

CPT 阶段学到的公交网络知识是任务无关的，可支撑多种规划场景。 三任务联合训练的 Joint 模型达到全局最优（73.7% 精确匹配），且三个任务之间无负迁移，证明 CPT 阶段学到的知识可泛化到不同规划任务。

模型从数据中涌现了隐式空间定位能力。 在仅输入原始 GPS 坐标、去掉所有文字信息的极端测试中，TransitLM 仍能精确定位站点并生成完整路线，而通用大模型完全失效，证明该能力是从训练数据中涌现的。

端到端纯生成方案性能持平调用生产级路径引擎的工具增强方案。 TransitLM 纯生成达到 73.7% 精确匹配，与调用高德路径引擎 API 的工具增强方案（71.7%-74.4%）持平，且无外部依赖、无网络延迟、部署复杂度更低。

性能瓶颈在于领域数据而非模型规模。 TransitLM 最小的 0.6B 模型（62.1% 精确匹配）已全面超越 GPT-5.4、Gemini-3.1 等六大最强通用模型（最佳 40.2%），证明领域数据是关键推动力。

💬 文章金句

- 性能瓶颈在于领域数据而非模型规模。数据才是关键推动力。

• CPT 让模型学到的路线规划知识，等效于一套生产级路径引擎。
• 模型在训练过程中涌现了隐式空间定位能力——仅给定原始 GPS 坐标，无需任何地理数据库或坐标-站点映射表，模型即可精确定位到最近的公交站点并生成完整路线。

📊 文章信息

AI 初评：88

来源：魔搭ModelScope社区

作者：魔搭ModelScope社区

分类：人工智能

语言：中文

阅读时间：15 分钟

字数：3704

标签： LLM, AI Agent, 模型训练与推理, AI 产品与应用, AI 工作流

阅读完整文章