1. 任务与数据
- 任务：给定两智能体轨迹，预测关系 ∈ {
yields to,bypasses,overtakes}。 - 数据集：
2. 大模型路线
2.1 数据组织（SFT）
- 组织为 chat 数据：
- system：固定指令
- user：轨迹采样帧 + event summary
- assistant：
{"relation": "..."}
- JSON 规范化（把 assistant 强制规范为
{"relation":"xxx"}）。
2.2 训练方法（QLoRA + Masked Loss）
- QLoRA：4-bit 量化加载 + LoRA 训练。
- 只对 assistant 计算 loss：prompt tokens labels = -100。
- vLLM 部署评测：加载 base + LoRA，通过 OpenAI API 形式测 val。
2.3 结果与问题
“f1_macro”: 0.1995,
“accuracy_valid_only_percent”: “36.62%”
“f1_macro”: 0.3878,
“accuracy_valid_only_percent”: “43.68%”
有提升，但是不显著
3. 传统机器学习路线
3.1 特征工程（从轨迹序列 → 结构化特征向量）
一共是40个维度，涉及各种两个轨迹间的关联信息。
3.2 模型（多项逻辑回归）
- Pipeline：
StandardScaler + LogisticRegression(multinomial, class_weight=balanced)
3.3 结果
未来计划
对场景中每对 agent (i,j) 计算同样的相对特征
用当前训练好的二体分类器输出 P(relation | i,j)
得到一个 关系图（graph）：节点是 agent，边是关系概率/类别
或许也可以用特征值来测试大模型效果，并且微调