SpotAgent：通过Agentic推理锚定大型视觉-语言模型的视觉地理定位

大型视觉-语言模型（LVLM）在地理定位上展现了强大的推理能力，但在视觉线索稀疏、长尾且高度模糊的真实场景中常常表现吃力。以往方法受制于内部知识，往往无法提供可验证的结果，在面对混杂证据时给出自信却无依据的预测。为应对这些挑战，我们提出SpotAgent，该框架把地理定位形式化为一个Agentic推理过程，利用专家级推理使视觉解读与工具辅助验证相协同。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。我们引入三阶段后训练流程：先以监督微调（SFT）阶段实现基本对齐，随后是Agentic冷启动阶段，利用通过多智能体框架合成的高质量轨迹，旨在灌输工具调用专长。随后，通过强化学习精炼模型的推理能力。我们提出空间感知动态过滤策略，依据空间难度优先处理可学习样本，以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取得最先进性能，在有效缓解幻觉的同时提供精确且可验证的地理定位。