学会漫游：通过可操作推理提升大型多模态模型的全球图像地理定位能力

地理定位任务需要丰富的世界知识和复杂的推理能力。尽管先进的大型多模态模型（LMMs）具备上述能力，但其在地理定位上的表现尚未被充分探索。为此，我们推出了 WanderBench，这是首个面向具身场景中可操作地理定位推理的开放基准，包含六大洲超过 3.2 万张全景图，构建为支持旋转和移动等物理动作的可导航图。基于此，我们提出了 GeoAoT（思维行动）框架，将推理与具身动作相结合。GeoAoT 不生成文本推理链，而是产生如接近地标或调整视角等可操作计划，以主动减少不确定性。实验表明，该方法在动态环境中实现了更优的细粒度定位和更强的泛化能力。