在2026“A超”交通创新大赛实战赛道中，中威电子与广西交科集团联合参赛，凭借“交通安全事件检测大模型智能体”从40余支队伍中脱颖而出，以高分荣获一等奖。这套参赛方案并非临时打磨的竞赛作品，而是基于公司自研星鉴大模型与长期工程实践沉淀的真实模型算法，已在多条高速路段落地应用。

　　本次实战赛道立足真实道路场景，针对停止、逆行、抛洒物、侵入、烟火五类交通安全事件进行AI视觉识别，参赛队伍面对未经筛选的原始视频流，对复杂场景下的检出率、准确率与响应速度提出了综合要求。如何在保证检测效率的同时，提升识别的准确性？本文将拆解方案背后的技术选择与工程实践。

双层级核验：小模型快检，大模型精核

　　为了兼顾迅速响应与真实复杂场景下的低误报、高置信，中威电子采用了双层级递进式核验架构。

　　第一层是面向交通场景的专用视觉检测模型，基于Transformer与CNN融合架构，对五类事件实现端到端快速检测，毫秒级完成全画面候选事件定位与初判。

　　第二层由自研星鉴大模型对低置信度候选事件进行语义逻辑二次校验，通过多模态语义理解解析时空逻辑，精准排除误判误检，将检测从“目标识别”升级为“事件理解”。

　　这一架构让专用模型负责“快”，星鉴大模型负责“准”，两者配合，突破了单一视觉模型在复杂交通场景下的精度瓶颈。并针对训练到部署全流程的四个维度，完成了面向实战的针对性优化。

实战验证：抛洒物检测的性能突破

　　抛洒物检测是本次赛事核心考核场景之一，也是行业公认的技术难点：目标尺度从5cm螺丝钉到整箱货物不等，150米外小目标成像仅十几个像素；路面补丁、裂缝、积水反光等干扰特征与抛洒物高度相似，行业常规方案误检率普遍超过30%；夜间、逆光、雨雾下多数方案检出率跌破70%。

　　中威电子基于其双层级核验架构，对这一场景进行了递进式破解：

　　在初筛层，团队构建了10万+专属数据集进行初筛模型训练，采用多尺度特征融合与小目标增强，使初筛检出率达93.6%，但同时，大量干扰样本也使得误检率达到了约25%；

　　此后，星鉴大模型接手进行二次校验，通过语义理解识别落叶、积水等非风险目标；基于“目标是否在汽车经过后突然出现”等时空逻辑区分抛洒物与光影光斑，并基于目标位置及车流情况综合研判输出场景风险定级，综合实现过滤91%误报，同时补召回了3.2%的低置信度真实抛洒物。

　　经过双层级核验后，团队在抛洒物专项测试中，实现了方案检出率大于98%、误检率低于1%的成绩，位列参赛队伍第一梯队。此外，该方案还通过动态算力调度，并结合INT8量化、算子融合与知识蒸馏等推理优化技术，将单帧时延控制在50ms以内。实现了识别效率与准确率的有效平衡。

　　目前，此次参赛方案已在多条高速路段落地验证，实现人工复核工作量下降85%以上，预警响应时间缩短60%。该方案的技术能力，源于中威电子自研星鉴大模型在交通领域的长期积累，以及与广西交科集团的深度合作。这套“小模型快检+大模型精核”的技术路径，也已应用于公司储能电站AI超脑等产品，实现跨场景跨行业落地。

　　从交通到储能，星鉴大模型正成为中威电子AI能力的统一底座，经由国家级赛事实战与真实行业场景的双重验证，为不同业务场景提供可复用、可迁移的智能支撑。