Размышляя с картой: Усиленный параллельный агент с дополненной картой для геолокализации

Thinking with Map: Reinforced Parallel Map-Augmented Agent for Geolocalization

January 8, 2026

Авторы: Yuxiang Ji, Yong Wang, Ziyu Ma, Yiming Hu, Hailang Huang, Xuecai Hu, Guanhua Chen, Liaoni Wu, Xiangxiang Chu

cs.AI

Аннотация

Задача геолокализации изображений заключается в определении местоположения на Земле, где был сделан снимок, с использованием визуальных подсказок. Существующие подходы, основанные на больших визуально-языковых моделях (LVLM), используют знание о мире, цепочечные рассуждения и агентские возможности, но упускают из виду распространенную стратегию, применяемую людьми — использование карт. В данной работе мы сначала наделяем модель способностью "Думать с картой" и формулируем это как цикл "агент-в-карте". Мы разрабатываем для этого двухэтапную схему оптимизации, включающую агентское обучение с подкреплением (RL) с последующим параллельным масштабированием на этапе тестирования (TTS). RL усиливает агентские возможности модели для повышения эффективности выборки, а параллельное TTS позволяет модели исследовать несколько кандидатных путей перед принятием окончательного решения, что крайне важно для геолокализации. Для оценки нашего метода на актуальных и реальных изображениях мы также представляем MAPBench — комплексный эталонный набор для обучения и оценки геолокализации, полностью состоящий из изображений из реального мира. Результаты экспериментов показывают, что наш метод превосходит существующие модели с открытым и закрытым исходным кодом по большинству метрик, в частности, улучшая показатель Acc@500m с 8,0% до 22,1% по сравнению с Gemini-3-Pro в режиме с привязкой к Google Поиску/Картам.

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.