승차 공유 서비스 분쟁 해결을 위한 점진적인 시각-논리 정렬 프레임워크

A Progressive Visual-Logic-Aligned Framework for Ride-Hailing Adjudication

책임 분쟁 해결의 효율성은 시장의 공정성을 유지하는 데 매우 중요합니다. 그러나 승차 공유 서비스의 급격한 증가로 인해 수동 검토는 비실용적이며, 기존의 자동화된 방법은 준사법적 결정에 필요한 추론의 투명성이 부족합니다. 멀티모달 LLM은 유망한 패러다임을 제공하지만, 근본적으로 일반적인 시각적 의미와 엄격한 증거 프로토콜 간의 간극을 좁히는 데 어려움을 겪으며, 종종 인지적 환각과 논리적 오류를 초래합니다. 이러한 체계적인 불일치를 해결하기 위해, 우리는 점진적인 시각-논리 정렬 프레임워크인 RideJudge를 소개합니다. 일반적인 사전 훈련에 의존하는 대신, SynTraj라는 합성 엔진을 사용하여 추상적인 책임 개념을 구체적인 경로 패턴으로 연결하여 의미 간의 간극을 해소합니다. 방대한 규제 정보와 제한된 컨텍스트 창 간의 충돌을 해결하기 위해, 우리는 전문가 지식을 추출하고, 적극적인 증거 조사를 시행하는 Chain-of-Adjudication 메커니즘과 함께 Adaptive Context Optimization 전략을 제안합니다. 또한, 복잡한 책임 평가에 대한 희소한 이진 피드백의 부족 문제를 해결하기 위해, 우리는 계층적 심각성에 따른 의사 결정 경계를 조정하는 새로운 Ordinal-Sensitive Reinforcement Learning 메커니즘을 구현했습니다. 광범위한 실험 결과, 우리 모델인 RideJudge-8B는 88.41%의 정확도를 달성하여 32B 규모의 기존 모델을 능가하고, 해석 가능한 분쟁 해결에 대한 새로운 기준을 제시했습니다.

The efficient adjudication of responsibility disputes is pivotal for maintaining marketplace fairness. However, the exponential surge in ride-hailing volume renders manual review intractable, while conventional automated methods lack the reasoning transparency required for quasi-judicial decisions. Although Multimodal LLMs offer a promising paradigm, they fundamentally struggle to bridge the gap between general visual semantics and rigorous evidentiary protocols, often leading to perceptual hallucinations and logical looseness. To address these systemic misalignments, we introduce RideJudge, a Progressive Visual-Logic-Aligned Framework. Instead of relying on generic pre-training, we bridge the semantic gap via SynTraj, a synthesis engine that grounds abstract liability concepts into concrete trajectory patterns. To resolve the conflict between massive regulation volume and limited context windows, we propose an Adaptive Context Optimization strategy that distills expert knowledge, coupled with a Chain-of-Adjudication mechanism to enforce active evidentiary inquiry. Furthermore, addressing the inadequacy of sparse binary feedback for complex liability assessment, we implement a novel Ordinal-Sensitive Reinforcement Learning mechanism that calibrates decision boundaries against hierarchical severity. Extensive experiments show that our RideJudge-8B achieves 88.41\% accuracy, surpassing 32B-scale baselines and establishing a new standard for interpretable adjudication.