信号灯不再先做结构化感知：Traffic-VL 直接看多路摄像头，三周十个路口平均排队缩短10.4%
交通信号控制此前多依赖专用感知流程产出的结构化车流状态，或把仿真图像先转成中间表示再决策。Traffic-VL 用80亿参数视觉语言模型把同步多视角图像与自然语言相位描述直接映射为相位选择，并配套 SynTra-V 把物理仿真转成经语义审计的逼真监控图像用于训练。在五个闭环基准上它与使用结构化状态的 Traffic-R1 相当，在真实监控图像上相位选择准确率为82.1%，三周十个路口实地运行相对人工历史操作把平均排队长度降低10.4%。