群体智能在地理定位中的应用：多代理大规模视觉-语言模型协作框架
原文中文，约500字，阅读约需1分钟。发表于：。本研究解决了传统地理定位方法中视觉记录不足的问题，提出了一种新颖的多代理视觉-语言模型框架，利用代理间的沟通来增强地理定位能力。此外，该框架采用动态学习策略优化代理间的沟通模式，从而提高效率。实验结果表明，该方法在新构建的GeoGlobe数据集上显著优于现有的先进方法。
Geospatial Location Embedding (GLE)在大型语言模型（LLM）中帮助模型吸收和分析空间数据。GLE的出现是由于在当代复杂空间中对更深层次的地理空间意识的需求以及LLMs在生成式人工智能方面提取深层含义的成功。GLE为对空间的理解提供了帮助，但强调了在空间模态和推理方面进一步的提升的需求。GLE标志着“空间”和“LLM”之间对话式对接，为建立将空间知识嵌入模型结构的Spatial Foundation/Language Model（SLM）框架提供了契机。该框架推动了Spatial Artificial Intelligence Systems（SPAIS）的发展，建立了一个与物理空间相映射的空间向量空间（SVS）。由此得到的具有空间特征的语言模型是独特的，同时代表了实际空间和基于人工智能的空间，为SPAIS的地理存储、分析和多模态提供了基础。
