TerraScope：面向地球观测的像素级视觉推理

视觉语言模型在地球观测中表现良好，但在将复杂空间推理锚定于精确像素级视觉表征方面存在困难。为此，本文提出 TerraScope，一种统一的视觉语言模型，具备两大关键能力：一是模态灵活推理，能处理单模态输入并自适应融合多模态数据；二是多时相推理，整合时间序列以分析变化。此外，构建了包含百万样本的大规模数据集 Terra-CoT，并在推理链中嵌入像素级掩码。同时提出首个像素级地理空间推理基准 TerraScope-Bench，评估答案准确性与掩码质量。实验表明，该模型显著优于现有方法并提供可解释的视觉证据。