EG-ARSA：面向低资源环境、基于专家知识的视觉道路安全审计开放模型

研究者提出一种名为EGD的AI框架，用于低收入国家的视觉道路安全审计。该方法通过专家校准教师模型，再将其知识蒸馏到8B参数的紧凑学生模型中，并发布了包含21,947条记录的孟加拉道路安全审计数据集。实验表明，接地微调优于零样本基线，学生模型性能超过其教师模型和Gemini-2.5-Flash。

此前道路安全审计依赖人工现场检查和零样本模型，效率低且成本高。该研究首次将专家知识量化校准后蒸馏到紧凑模型中，并在孟加拉国实现近全国覆盖的数据集，使低成本、可扩展的自动化审计成为可能，对中低收入国家尤为重要。

机制上，EGD框架先让教师视觉语言模型与权威专家现场审计结果对比，达到Cohen's kappa=0.74的一致后才进行大规模标注，确保标注质量。随后通过低秩适应和无泄漏提示，将教师模型的结构化监督知识蒸馏到8B参数的学生模型中，使紧凑模型继承专家知识，同时保持较低推理成本。

该模型可直接用于道路基础设施管理产品，实现自动化的道路安全风险筛查，降低对人力审计的依赖。其紧凑参数规模适合部署在资源受限环境，可加快审计流程、降低成本，并支持大规模道路网络监控。

• 开发基于EG-ARSA的道路安全审计SaaS工具，面向中低收入国家的交通管理部门提供自动风险评级服务。
• 将EGD框架应用于其他基础设施视觉检测场景，如桥梁或建筑安全审计，生成定制化模型。
• 基于BD-ARSA数据集构建开放道路安全数据库，供研究或商业分析使用，并持续补充数据。
• 集成学生模型到移动端应用，实现现场拍照即可返回风险评分，提升审计效率。

• EG-ARSA模型在孟加拉国以外的地区（如其他中低收入国家）的泛化性能如何尚未验证。
• Cohen's kappa系数0.74的稳定性及在不同专家群体间的一致性未详述。
• 模型实际部署时的硬件要求和推理速度未提及，影响实用性评估。
• BD-ARSA数据集的时间分布和标注一致性未说明，可能影响数据可靠性。