本文为辛武平博士在2025年人工智能与自主式交通国际学术会议(AIAT2025)上分享的内容，全面介绍了 Simulation-in-the-Reasoning（SIR框架）——交通大语言模型的仿真嵌入式推理概念，整理后经本人授权，分享给行业。

前言

我们需要否定一个隐含前提，即交通大模型=更好的交通决策。

过去两年，CoT、SFT、Self-Consistency、RAG 等技术被实践证明可以让大语言模型“说得越来越通”。但在交通这样一个物理化、因果驱动的系统中，“说得通”并不等于“做得对”。CoT 提升的是语言推理的展开性，本质仍是 token-level 的统计展开；SFT学会的是“如何看起来像在某个专有领域进行推理”； Self-Consistency 解决的是大语言模型的输出稳定性，不是因果真实性；RAG 补充的是外接文本知识，提供的是知识来源的约束，不是验证因果。

它们反复解决的，始终是语言层内的问题；交通问题，发生在语言层之外。如果不把因果链重新拉回推理中心，“交通智能”，恐怕只是语言幻觉。

本报告提出 Simulation-in-the-Reasoning (SiR)：使模型在会说之外更进一步，把仿真嵌入推理，让推理重新接受物理世界的检验。

一、交通问题的大语言模型推理的局限性

首先来看大语言模型应用到交通领域的核心技术问题。大语言模型的推理步骤本质上是"叙事性假设"——听起来合理的文本叙事，但并非经过实证检验的结论。

这并不奇怪，因为大语言模型的技术基础决定了它本质上是一个极其复杂的"猜词机"。在交通系统这样复杂的动态领域，纯文本或符号层面的推理难以保证领域应用的可靠性，或者说，交通物理层面的"可行性"。

这就是我们要解决的问题。

二、为什么需要SIR框架

我们来回顾下近两三年来大语言模型的推理技术，这些技术是否解决了对交通领域至关重要的因果链推导问题？

第一个是思维链（Chain-of-Thought, CoT）。

思维链的核心思想是让模型"逐步思考"，从而提升推理能力。一个简单的提示词"Let's think step by step"就能带来明显效果。

举个例子：一个农场有5只鸡，每只鸡下4个蛋，卖掉一半，还剩多少？

CoT 为什么有效？因为它强迫模型把中间步骤写出来（"20个蛋...卖掉一半...剩10个"）。这相当于把对序列的依赖外化成文本。模型在生成下一个 token 时，可以"看到"自己刚写的中间结果，从而正确完成依赖计算。

如果没有思维链，Transformer 的处理方式是并行处理——一次性"看"整个输入。这种做法一方面使得 Transformer 擅长处理可以同时计算的任务，但另一方面对序列依赖问题效果不佳。所以这个鸡蛋问题，如果没有思维链，大语言模型很可能就开始“胡说八道”了：这时候模型倾向于直接跳到答案，中间推理步骤留在"脑子里"不写出来。问题是，不写出来的步骤无法被后续生成过程参考，多步推理就容易出错。由此可见，CoT 不仅仅是提示技巧，而是 Transformer 克服（没有递归状态，通过注意力机制在有限上下文中捕捉依赖的）架构限制、进而提高处理序列依赖问题能力的一种必要机制。CoT相当于在推理时，引入外部工作记忆。

那么思维链能解决交通大语言模型需要的因果推导能力吗？我们先不回答这个问题，继续往下看。

第二个是监督微调（Supervised Fine Tuning，SFT）。

在 CoT 基础上，研究者尝试了监督微调（SFT）。

SFT 的做法是收集人类专家写的"问题+详细解题步骤"这样的问答数据，让 大语言模型 学习模仿这些解题过程。但扩展后收益递减：一开始问答数据越多，模型表现越好，但到了一定规模后，继续加数据效果提升越来越小，而且模型只擅长"见过的题型"，遇到新问题结构就不行了。

本质问题是：模仿不等于真正理解。在这里，模型学会了"套路"，没学会"推理"，所以泛化能力差。

打个比方，就像学生背了1000道例题的解法，考试遇到原题能做对，但题目稍微变一下就不会了。背题越多，帮助越来越小，因为没学会思考。这也是为什么大语言模型后来转向强化学习加验证器（verifier）的范式——让模型自己尝试、得到反馈、学会真正推理，而不是单纯模仿。在这个范式中，LLM 生成候选方案，验证器判断正确性。很多Coding Assistant 代码编程助手就用编译器当验证器来生成代码。

关键洞察是：验证质量决定了强化学习的成功与否。

这给我们一个启发——交通仿真器天然就是一个强大的验证器，它自动执行物理约束，如流量守恒、排队溢出等。

需要强调的是，SFT 和强化学习+验证器在底层是更新大模型参数的（可以用 LoRA（Low-Rank Adaptation，低秩适配）或全参数更新，后者需要强大的算力）。

这里需要介绍下 LoRA 是怎么节省算力的。

全参数微调要更新模型的所有参数，比如一个权重矩阵有1000×1000=100万个参数，全都要动。LoRA 的做法是：冻结原始矩阵不动，在旁边加两个很小的矩阵A 和 B，比如A 是1000×8，B 是8×1000，只训练这两个小矩阵，参数量就从100万降到1.6万，减少了98%以上。

为什么这样可行？

因为研究发现，微调时真正需要更新的信息，其实可以用一个低维（低秩）的小矩阵来近似表达，不需要动全部参数。

现有的交通大模型，如果根据交通领域数据做模型参数更新的话，在企业场景中，可能就是使用 LoRA 技术的监督微调，不需要太大算力来更新基础参数。当然，LoRA不一定总是足够表达所有领域的迁移需求。

第三个是自洽性（Self-Consistency）。

大语言模型提高推理能力的另一个重要技术是 Self-Consistency（自洽性）。它要解决什么问题呢？

LLM 生成的单一推理路径可能看似流畅、说得头头是道，但实际上逻辑有误，得出错误答案。我们都有这样的经验：大语言模型很擅长"编造"看起来合理的推理过程。

解决方案是——不要只信一条路径。

让LLM 对同一个问题生成多条不同的推理路径，每条路径得出一个答案，然后统计哪个答案出现次数最多，选择那个。

这就是多数投票的思想——如果大多数推理路径都指向同一个答案，这个答案更可能是对的。这个思想对应到仿真领域非常直接：交通仿真有随机性，同一策略在不同随机种子下结果可能不同，在不同需求场景下表现也不同。所以我们不能只跑一次仿真就下结论，而是要在多个随机种子、多个需求场景下运行同一策略，信任在多数场景下都有效的结果。这和 Self-Consistency 的多数投票思想是一致的。

在实际开发交通大语言模型时，Self-Consistency 主要用于提升推理可靠性，而更基础且常见的解决“知识来源”的技术是 RAG（Retrieval-Augmented Generation，检索增强生成）——上传专业领域的文本语料，生成 embeddings （也就是高维向量化／数字化的文本相关性的表达），作为大语言模型生成时的重要参考约束， 把大语言模型的输出“锁定”到某个特定知识领域。

所以，所谓交通大语言模型也没那么神奇和神秘，主要技术无非就是 CoT、SFT、RAG，让交通领域的洞见和知识“融合”到基础大语言模型中去。但这种融合，主要还是文本叙事性的融合，不是可验证的因果链的融合。

第四个是模型上下文协议（Model Context Protocol）。

Model Context Protocol（MCP）是一个关键的技术桥梁。它是 Anthropic 于2024年推出的开放标准，使 LLM 能够发现和调用外部工具。它为 Agentic AI 提供了现实的实现手段，可以让我们轻松地给基础大语言模型"加外挂"。 当然，还有其它的外部工具调用方式，我们这里只说MCP。

有人可能会问：前面提到的LoRA 不是也给大模型加外挂吗？二者有什么区别？

区别很大，LoRA 外挂的是额外的小参数矩阵，仍然是在模型内部做文章，更新的是模型的"脑回路"。而MCP 完全不涉及基础模型的参数更新，它是在模型外部直接接入工具。

有个比较形象的比方：LoRA 像是给大脑额外移植了一小块"专业脑区"——它修改了大脑的局部参数，融入了大脑，成为大脑的一部分，但只负责特定领域的思考。MCP 不修改大脑的任何参数，而是像给你配了一个工具箱和助手团队——大脑本身没变，但你可以随时拿起计算器算数、打电话问专家、查资料库找答案。

MCP可提供结构化 API 接口、工具发现与调用、结果解析与整合等核心能力，而通过 MCP，LLM 可以构建交通场景、运行仿真、获取性能指标等。

这为 SiR 框架提供了技术基础，那什么是SIR框架？

SiR 的核心思想是将仿真器嵌入 LLM 推理循环。传统 CoT 是"Step 1 → Step 2 → Step 3"的纯文本推理，而 SiR 是"假设 → 仿真 → 分析"的实证验证推理。这是从叙事性推理到可验证推理的关键转变。

为什么这么说呢？

因为，现在的交通大语言模型，不管多强大，很难能定性加定量的回答下面这些问题：

如果在这个路口增加一条左转车道，三年后的交通流会如何演化？

如果实施拥堵收费，不同收入群体的出行选择会如何调整？

如果自动驾驶普及到30%，路网容量的变化曲线是什么？

如果增加一条公交线路，对交通出行的量化效益是什么？

为什么？

因为这些问题需要的不是更高的预测精度，而是对交通系统因果机制的深层理解。LLM 的本质是从海量文本中学习"统计相关性"——它知道"A经常和B一起出现"，但它不知道"A导致B"。它能生成看起来合理的答案，但它不理解背后的因果链条。拿增加左转车道这个例子来说，真正的推理是：增加车道改变冲突点，影响信号配时，改变路口延误，进而影响司机的路径选择，三年后流量重新分布。这是一条因果链，不是统计相关。

确切的说，LLM 最多可以“描述”因果，可以在训练分布内近似因果关系，但不具备可执行可证伪的因果模型。

那谁具备可执行可证伪的因果模型？仿真器。比如 TransCAD，比如 TransModeler或者是其它成熟的交通规划建模和仿真工具。仿真器内嵌了交通系统的因果机制——物理模型、行为模型、供需互动。它能回答"如果不怎么样...会怎样"这类反事实问题。

所以 SiR 的意义就在这里：把 LLM 的语言理解能力和仿真器的因果推理执行和证伪能力结合起来。LLM 负责理解问题、解释结果，仿真器负责因果推演。各取所长。

三、SiR 框架的核心组件与工作流

SiR 框架包含三个核心组件。

第一是LLM Agent，作为中央推理引擎，负责生成假设、分解问题、决策工具调用、解释结果并优化策略；

第二是Simulator，作为实证验证机制，执行仿真实验、模拟车辆动力学、交通信号控制，输出性能指标。

第三是MCP Interface，作为集成层，暴露结构化 API、传递场景规格、调用仿真运行、解析结构化结果。

需要注意的是，SiR 并不需要我们去微调基础大语言模型的参数。

而SiR 的工作流程是一个迭代循环：

第一步，问题输入——用户通过 Prompt 描述优化目标和约束，LLM 理解任务；

第二步，假设生成——LLM 通过 MCP 获取可用操作和领域知识，用 CoT 推理提出候选策略（领域知识也可以通过 SFT 或 RAG 来获得）；

第三步，仿真调用——通过 MCP 调用仿真器执行实验；

第四步，结果解析——获取延误、排队等性能指标；

第五步，分析优化——LLM 评估结果，决定是否满足目标，不满足则调整假设继续迭代。

以交通信号优化为例。

用户用自然语言描述目标，比如"减少延误、避免排队溢出"。LLM 理解目标后，自动转化为仿真参数，通过 MCP 调用 TransModeler 执行微观仿真，获取延误、通过量、排队长度、排放等指标。

LLM 在迭代过程中可尝试不同的优化侧重点和权重，比如：

更侧重减少延误还是避免溢出？

优先保障主路还是平衡各方向？

侧重通过量最大化还是排放最小化？

这些是策略层面的权衡，不是底层参数调整。LLM 根据仿真结果不断调整策略，最终找到最优方案。用户全程不需要了解信号配时的技术细节。

四、设计考量与挑战

有三个关键的设计考量：API 粒度设计、计算成本以及可扩展性。

API 粒度与 Prompt 复杂度。

API 粒度设计是 SiR 成功的关键。如果 API 过粗，比如只提供"优化整条走廊"这样的命令，推理过程就不透明，中间步骤不可控。如果 API 过细，比如要设置每个周期、相位、排队长度，复杂度又太高，需要大量 prompt 工程。平衡原则是找到适中粒度，既有表达能力又保持简洁，使 LLM 能够提出有意义且可行的假设。

计算成本是另一个挑战。每轮推理需要多次随机仿真运行才能获得可靠结论。Prompt 复杂度与 MCP API 粒度密切相关。

如果 MCP 粒度粗，Prompt 很简单，但 LLM 没法做精细控制，过程是黑盒。

如果 MCP 粒度细，暴露每个参数如周期、相位、偏移，LLM 要理解所有参数的含义、相互关系和约束条件，Prompt 需要提供大量领域知识，用户负担很重。

理想状态是 MCP 提供多层级 API，高层是策略级，比如"优先南北方向"；中层是功能级，比如"调整这个路口的周期"；底层是参数级，精确数值控制。

这样，LLM 可以根据任务复杂度选择合适的抽象层级。

本质上，MCP API 设计决定了 Prompt 需要承载多少领域知识。API 设计得好，Prompt 就轻松；API 设计不好，Prompt 就得补位。

最后是可扩展性挑战，这是一项长期挑战。单交叉口优化是可行的，但扩展到城市级路网就面临困难。

归根结底，这还是 MCP API 的设计问题——API 需要支持不同抽象层级的操作，既能做单点精细调整，也能做区域级、走廊级甚至全网级的策略控制。API 设计得好，层次化推理、并行仿真这些能力都能自然支持；设计不好，扩展性就无从谈起。

五、SiR 的核心优势

SiR 有三个核心优势。

一是实证驱动：通过仿真验证假设，减少幻觉风险，结论基于可测量结果。

二是可证伪性：工作流程可复现、可验证，具备科学研究所需的可证伪性。

三是动态适应：适用于动态交互过程，处理纯文本推理无法应对的复杂性。

除此之外，其还具备一些深层价值，比如：

一，闭环验证，减少幻觉。普通 LLM 说得头头是道，但可能是胡说。SiR 不一样，每个假设都必须经过仿真验证，错了就知道错了。仿真器是"不会被忽悠的裁判"，物理约束不会骗人。

二，可解释、可追溯。传统优化算法给你一个结果，但你不知道为什么。SiR 的 LLM 能用自然语言解释"为什么选这个策略"、"仿真结果说明了什么"、"下一步为什么这样调整"。整个推理过程是透明的，可以审计。

三，适应性强，处理开放问题。传统优化目标函数写死，约束条件固定。SiR 允许用户随时用自然语言加新约束，比如"顺便考虑一下行人安全"，LLM 能理解并调整策略。能处理模糊、多目标、动态变化的需求。

四，知识积累与迁移。LLM 能从多次仿真中"学到"规律，用于后续推理。一个场景学到的经验，可以迁移到类似场景。而传统优化每次都是从头算。

五，人机协作的桥梁。专家可以随时介入，用自然语言指导方向，比如"试试更激进的方案"。LLM 能理解意图，调整策略。不是替代专家，是增强专家。

总而言之，SiR 让面向交通的大语言模型推理从"说得通"变成"验得过"，从黑盒变成可解释，从僵化变成灵活。

六、SiR框架的数字孪生愿景

展望未来，SiR 有可能成为交通大语言模型以及交通数字孪生的核心，可以将推理循环直接嵌入数字孪生系统，实现"实时生成假设、即时仿真验证、主动干预建议"的闭环。这是从文本符号的思维链到主动因果链推理的转变，为构建自主式交通 AI 奠定基础。