零样本语言推理用于跨视角地理定位:描述能验证邻近候选,却无法重排视觉检索的错误
该研究不训练任何组件,用多模态大模型把地面全景与卫星瓦片转成结构化XML描述,再以纯文本比较描述来定位;在9,826个VIGOR配对、四个美国城市上,描述忠实但缺乏区分度,全库检索几乎无法命中正确瓦片,而在十个地理邻近候选的验证设定中,结构化验证达到21.0%的Recall@1,与TF-IDF相当并给出可核查的字段级理由;在训练好的视觉检索器排错的查询上,图像重排可恢复相当比例,文本重排则接近随机。
该研究不训练任何组件,用多模态大模型把地面全景与卫星瓦片转成结构化XML描述,再以纯文本比较描述来定位;在9,826个VIGOR配对、四个美国城市上,描述忠实但缺乏区分度,全库检索几乎无法命中正确瓦片,而在十个地理邻近候选的验证设定中,结构化验证达到21.0%的Recall@1,与TF-IDF相当并给出可核查的字段级理由;在训练好的视觉检索器排错的查询上,图像重排可恢复相当比例,文本重排则接近随机。
已读完全部报道