2025 年 5 月，arXiv 上發表了一項關於 TrajPrism 的研究，這是一個旨在透過語言連結來理解城市軌跡的多功能基準測試。作者提出了一系列任務，要求模型在參考文本背景描述的同時，同步進行預測、生成，並回答有關城市環境中主體移動的問題。
不同於以往主要聚焦於數值座標和視覺數據的資料集，TrajPrism 明確要求整合自然語言資訊。模型接收的資訊不僅包含軌跡，還涵蓋了意圖說明、路況或社會因素描述，藉此測試系統將時空模式與語義關聯起來的能力。
該基準測試的方法論包含四項核心任務：預測路徑的下一段、根據文字請求生成軌跡、回答偏離原因的相關問題，以及多代理人協作。雖然作者報告了幾款基礎模型的表現，但並未提供詳盡的消融研究，這讓各個組件具體貢獻了多少仍有待釐清。
與 TrajNet++ 或 Social-LSTM 等早期研究相比，這個新基準測試顯著將重點從純幾何建模轉向多模態互動。這使其與具身智能領域的發展趨勢更為接近，但也同時暴露了現有架構在處理長文本背景及隱性社會規範時的弱點。
在生成任務中的結果尤其具有啟發性：模型經常忽略行人偏好或時間限制等微妙的語言暗示，顯示出語言連結的深度不足。這種情況引發了人們的思考：現有的預訓練方法究竟是在學習將語言與物理空間掛鉤，還是僅僅在複製統計上的相關性？
從更廣泛的角度來看，TrajPrism 強調了業界對於新型基準測試日益增長的需求，即這類測試不僅要檢驗預測的準確性，還要評估決策的可解釋性。這對於自動駕駛運輸和城市規劃等應用至關重要，因為在這些領域，對意圖理解的失誤可能會產生現實世界的嚴重後果。
同時，在合成或受限的城市情境下得出的結果，究竟能在多大程度上轉換到動態混沌的真實大都市，目前仍不明朗。獨立驗證以及將資料集擴展到新區域，將是確認該基準測試價值的下一個必要步驟。
總結來說，TrajPrism 不僅僅是增加了一個資料集，它更迫使學術界重新審視模型究竟需要具備哪些能力，才能透過語言與城市環境進行可靠的互動。
