2025年5月，arXiv上发布的一项研究介绍了 TrajPrism——一个用于理解城市轨迹且具备语言对齐功能的多用途基准测试。作者提出了一系列任务，要求模型在参考文本背景描述的同时，能够同步预测、生成并回答有关智能体在城市环境中移动的问题。
与以往主要关注数值坐标和视觉数据的数据集不同，TrajPrism 明确提出了整合自然语言的要求。模型不仅获取轨迹信息，还会收到关于意图、路况或社交因素的描述，这旨在测试系统将时空模式与语义关联的能力。
该基准测试的方法论包含四个核心任务：预测下一路径段、根据文本请求生成轨迹、回答有关偏离原因的问题以及多智能体协同。作者公布了几种基准模型的结果，但尚未提供详尽的消融研究，这使得各个组件的具体贡献仍是一个悬而未决的问题。
相比 TrajNet++ 或 Social-LSTM 等早期工作，这一新基准明显将重心从纯粹的几何建模转向了多模态交互。这使其与具身智能（embodied AI）领域不断发展的方法紧密结合，但也同时暴露了现有架构在处理长上下文和隐性社交规范时的短板。
生成任务的表现尤为发人深省：模型往往会忽略关于行人偏好或时间限制的细微语言提示，这证明了对齐深度尚显不足。这一现状引发了反思：现有的预训练方法究竟是在引导模型将语言与物理空间真正联系起来，还是仅仅在复刻统计学上的相关性。
在更广泛的语境下，TrajPrism 凸显了对基准测试日益增长的需求，即不仅要考察预测准确性，还要验证决策的可解释性。这对于自动驾驶和城市规划应用至关重要，因为在这些领域，对意图理解的偏差可能会带来现实生活中的严重后果。
与此同时，合成环境或受限城市场景下的研究结果能否迁移到充满随机动态的真实大都市，目前仍未可知。进行独立验证并将数据集扩展到新区域，将是确认该基准测试价值的下一个必要步骤。
综上所述，TrajPrism 并非只是简单地增加了一个数据集，它还促使学术界重新审视，为了实现通过语言与城市环境进行可靠交互，模型究竟真正需要具备哪些能力。
