SpotAgent：通过智能体推理在大视觉-语言模型中实现视觉地理定位的接地

大型视觉-语言模型（LVLMs）在地理定位任务中表现出强大的推理能力，但在现实场景中常因视觉线索稀疏、长尾分布和高度模糊而表现不佳。以往方法受限于内部知识，难以提供可验证的结果，面对混淆证据时容易产生自信但无依据的预测。为解决这些问题，本文提出SpotAgent框架，将地理定位形式化为一种智能体推理过程，结合专家级推理与工具辅助验证。SpotAgent通过ReAct图式利用外部工具（如网络搜索、地图）主动探索并验证视觉线索。研究引入了一个三阶段的后训练流程，包括监督微调（SFT）以实现基本对齐，随后通过多智能体框架合成高质量轨迹进行智能体冷启动阶段，以培养工具调用能力，最后通过强化学习优化推理能力。此外，提出了一种空间感知动态过滤策略，通过优先选择空间难度较高的样本来提升强化学习阶段的效率。在标准基准上的大量实验表明，SpotAgent实现了最先进的性能，有效缓解了幻觉问题，并提供了精确且可验证的地理定位。