零样本语言推理用于跨视角地理定位研究

Ayesh Abu Lehyeh 等人发表论文，研究仅靠语言能完成多少跨视角地理定位任务。方法是用多模态大语言模型（MLLM）把地面全景与卫星瓦片描述成结构化文本，再通过语言比较匹配，全程不做任何训练。 在美国四座城市的 9,826 对 VIGOR 样本上，按描述相似度对全库排序时 Recall@1 仅 0.39%。将候选缩小到十块相邻瓦片后，MLLM 评判结构一致性使排名效果翻倍，并追平强词法基线，还能指出哪些字段一致或冲突。代码与提示词已公开。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。