Pensando com Mapas: Agente Aprimorado por Mapas Paralelos Reforçados para Geolocalização
Thinking with Map: Reinforced Parallel Map-Augmented Agent for Geolocalization
January 8, 2026
Autores: Yuxiang Ji, Yong Wang, Ziyu Ma, Yiming Hu, Hailang Huang, Xuecai Hu, Guanhua Chen, Liaoni Wu, Xiangxiang Chu
cs.AI
Resumo
A tarefa de geolocalização de imagens visa prever a localização onde uma imagem foi capturada em qualquer ponto da Terra usando pistas visuais. As abordagens existentes com grandes modelos de visão e linguagem (LVLMs) aproveitam o conhecimento mundial, o raciocínio em cadeia de pensamento e as capacidades agentivas, mas negligenciam uma estratégia comum usada por humanos: o uso de mapas. Neste trabalho, primeiro equipamos o modelo com a capacidade de Pensar com Mapas e a formulamos como um loop de agente-no-mapa. Desenvolvemos um esquema de otimização em dois estágios para isso, incluindo aprendizado por reforço (RL) agentico seguido por escalonamento paralelo em tempo de teste (TTS). O RL fortalece a capacidade agentica do modelo para melhorar a eficiência de amostragem, e o TTS paralelo permite que o modelo explore múltiplos caminhos candidatos antes de fazer a previsão final, o que é crucial para a geolocalização. Para avaliar nosso método em imagens atualizadas e do mundo real, apresentamos ainda o MAPBench, um benchmark abrangente de treinamento e avaliação de geolocalização composto inteiramente por imagens reais. Os resultados experimentais mostram que nosso método supera os modelos existentes de código aberto e fechado na maioria das métricas, especificamente melhorando a Acc@500m de 8,0% para 22,1% em comparação com o Gemini-3-Pro com modo aterrado no Google Search/Mapas.
English
The image geolocalization task aims to predict the location where an image was taken anywhere on Earth using visual clues. Existing large vision-language model (LVLM) approaches leverage world knowledge, chain-of-thought reasoning, and agentic capabilities, but overlook a common strategy used by humans -- using maps. In this work, we first equip the model Thinking with Map ability and formulate it as an agent-in-the-map loop. We develop a two-stage optimization scheme for it, including agentic reinforcement learning (RL) followed by parallel test-time scaling (TTS). The RL strengthens the agentic capability of model to improve sampling efficiency, and the parallel TTS enables the model to explore multiple candidate paths before making the final prediction, which is crucial for geolocalization. To evaluate our method on up-to-date and in-the-wild images, we further present MAPBench, a comprehensive geolocalization training and evaluation benchmark composed entirely of real-world images. Experimental results show that our method outperforms existing open- and closed-source models on most metrics, specifically improving Acc@500m from 8.0\% to 22.1\% compared to Gemini-3-Pro with Google Search/Map grounded mode.