GeoR-Bench：评估地学视觉推理能力

地学智能旨在理解并预测地球系统变化以支持关键决策。现有研究虽在特定任务上取得进展，但缺乏能捕捉开放性地学问题的基准。为此，本文提出 GeoR-Bench，一个通过推理驱动的视觉编辑任务来评估地学视觉推理的基准。该基准涵盖 6 大类、24 种任务类型共 440 个样本。对 21 个多模态模型的评估显示，地学推理仍是主要瓶颈：最佳模型严格准确率仅 42.7%，开源模型仅为 10.3%。结果表明，当前模型生成的结果虽具表面合理性，却未能掌握潜在的地球科学过程。