当前智慧交通数字化转型已进入深水区，多模态大模型在交通感知、异常处置、动态调度等场景的应用需求快速攀升，但交通异常场景样本稀缺、标注成本高、缺乏可解释性标注一直是制约行业技术落地的核心痛点，尤其是面向因果推理类的交通AI模型，对带完整逻辑轨迹的高质量训练数据的需求更为迫切。近日，全球算力与AI技术龙头NVIDIA正式发布PhysicalAI-Traffic-Anomaly-Reasoning交通异常推理数据集，该数据集于2026年5月3日率先在HuggingFace平台上线，同时成为AICC 2026（AI City Challenge 2026）Track 3的官方指定训练集，面向全球学术机构、企业开发者开放使用。
据公开信息显示，本次发布的数据集共包含3670个交通监控视频，总时长约26.1小时，其中异常事件视频9.2小时、正常通行视频16.9小时，覆盖了不同时段、不同路网条件下的多元交通场景，配套有44040个伪标注多任务注释，覆盖基础问答、场景/视频理解、时间推理等10类任务类型，且每个答案均附有明确的思维链推理轨迹，可有效解决AI模型训练中的“黑盒”问题，提升模型输出的可解释性。在标注流程上，该数据集采用分层自动标注方案生成，结合了Gemini 3.1 Pro的三级视频描述能力与Gemma-4的多任务问答生成能力，在保障标注精度的同时大幅降低了标注成本。数据集采用tao-vl-reason-v1.0标准格式，包含10个JSON文件分别对应10种任务类型，视频素材来源于8个公开交通数据集，开发者可通过官方提供的脚本批量下载，数据集遵循CC-BY-4.0开源许可，支持学术研究与商业化二次开发。
从应用价值来看，该数据集可广泛支撑多个智慧交通核心场景的技术研发：在交通异常检测领域，可帮助模型精准识别交通事故、占道经营、逆行、闯红灯、非机动车违规行驶等多类常见交通异常事件，提升路网安全预警的响应效率；在智能视频推理领域，可支撑大模型实现长时序监控视频的自动分析、异常事件全链路溯源，大幅降低交管部门人工排查海量监控的工作量；此外还可应用于智慧交管动态调度、路网通行效率优化、自动驾驶仿真场景训练等多个方向，为交通领域AI模型的可解释性落地提供核心数据支撑。本次数据集的开放，一方面填补了带推理轨迹的交通多任务标注数据的市场空白，另一方面依托AI城市挑战赛的全球行业影响力，将带动全球智慧交通AI技术的迭代速度，进一步降低交通领域大模型的研发门槛，为数字交通、新型智慧城市的落地提供基础数据要素支撑。
查看PhysicalAI-Traffic-Anomaly-Reasoning
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)