文章：Thinking with Map: Reinforced Parallel Map-Augmented Agent for Geolocalization
代码：https://amap-ml.github.io/Thinking-with-Map
单位：厦门大学
一、问题背景：现有图像定位技术的3大痛点
过去，图像定位要么靠“找相似图”（从带地理标签的数据库里检索），要么靠“猜区域”（把地球分成小块分类），但这些方法离不开海量训练数据，遇到没见过的野外场景就失灵。
后来，大语言-视觉模型（LVLM）登场，靠自身知识和推理能力直接定位，不用依赖数据库。但新问题又来了：
缺“工具思维”：人类找位置都会查地图验证，可AI只会靠自己的“记忆”推理，容易出错；
数据不实用：现有训练数据要么过时（里面的店铺、地标可能已经消失），要么偏向欧美地区，对中国场景覆盖不足；
推理效率低：遇到线索少的模糊图像，AI只能一步步慢慢想，不仅费时间，还容易越想越偏。
二、方法创新：3步打造“会看地图的AI特工”
为了解决这些问题，研究团队推出了“Thinking with Map”（地图辅助推理）方案，核心就是让AI像人一样“查地图、多思考、选最优”：
1. 给AI装“地图工具包”
首次让AI直接调用地图接口，就像我们用高德、谷歌地图一样：
能搜POI（比如看到“SAKE NOMI BAR”，直接查这个酒吧的位置）；
能看静态地图、卫星图（验证候选地点的周边环境是否和图像匹配）；
还能放大图像细节（比如看不清路牌时，放大后提取线索）。
2. 用强化学习练“找路技巧”
通过奖励机制让AI越练越会用地图：定位越准，奖励越高（比如500米内精准定位给满分，25公里外给低分）。训练后，AI调用地图的效率大幅提升，不用做无用功。
3. 并行思考+专人审核：告别“一条路走到黑”
借鉴人类“多方案对比”的思路：
让AI同时生成多个定位思路（比如“可能在厦门思明区”“可能在泉州丰泽区”）；
再让一个“审核AI”整合所有思路和地图验证结果，选出最靠谱的答案，避免单一思路出错。
三、实验结果：准确率碾压主流模型
研究团队不仅优化了方法，还打造了全新数据集MAPBench（含5000张中国城市街景图，分简单/困难两档），在3个权威基准上测试，结果惊艳：
除此之外，在城市级（25公里内）、区域级（200公里内）定位中，该方案也全面超越GPT-5、Qwen3-VL等开源/闭源模型，成为当前综合性能最强的图像定位方法。
四、优势与局限：这个AI定位方案好在哪？还有哪些不足？
核心优势
场景适配强：覆盖中国城市场景，对新出现的POI、街景也能精准定位；
推理可解释：每一步定位都有地图验证依据，不是“瞎猜”，结果更可信；
效率兼顾：并行思考+强化学习，既快又准，不用牺牲速度换精度。
现存局限
地图使用还不灵活：不会像人一样通过空间关系（比如“医院在超市东边”）推断方向；
训练数据有限：目前训练样本还不够多，在极端环境（比如沙漠、深海）定位能力较弱；
依赖多模型协作：需要“推理AI+审核AI”配合，单一模型的长程推理能力还有待提升。
五、一句话总结
给大语言-视觉模型配上地图工具和“并行思考”能力，让AI像人一样查地图、多验证，彻底解决了图像地理定位“不准、不泛化、不可信”的痛点，为街景识别、野外导航、图像溯源等场景提供了更靠谱的技术方案。
