Google Earth AI 地理空间推理智能体 GRA：能力与系统评估
Google Earth AI Geospatial Reasoning Agent: Capabilities and a Systematic Evaluation
Google Earth AI 推出由 Gemini 驱动的地理空间推理智能体 GRA，将地理空间数据源、基础模型与工具组织为模块化领域技能，并配合前置地理空间规划，把复杂查询拆解为多阶段工作流。
作者：Noam Slonim、Aviv Slobodkin、Gil Fidel、Gal Moshitch、Mimi Sun、Lily Mihalkova、Joydeep Paul、Per Bjornsson、Sydney Lin、Jamie McPike、Samapriya Roy、Utkarsh Patel、Gia Jung、Zachary Luna、Allison Berman、William Cai、Xiao Wu、Mohit Agarwal、Mandar Sharma、Aliza Hoffman、Mark Young、Rama Pasumarthi、Roy Lee、Ruth Alcantara、Luke Barrington、Aaron Bell、Reuven Sayag、Avinatan Hassidim、Yossi Matias、Tyler McHenry、Ronald Ho、Christopher Haire、Oliver Guinan、Niv Efron、Tim Thelin、Gautam Prasad、Shravya Shetty
摘要：Google Earth AI 是一系列地理空间 AI 模型，以及一个用于编排它们的智能体。我们介绍该智能体，即 Google Earth AI 的地理空间推理智能体（GRA），这是一个由 Gemini 驱动的研究系统，它结合地理空间数据源、基础模型和工具来回答关于我们星球的问题。GRA 将这些组织为模块化的领域技能，并配以前置的地理空间规划，将复杂查询分解为多阶段工作流。评估此类系统十分困难：现实世界问题允许多种有效工作流，需要在大规模目录中进行数据发现，并依赖不断演变的真实基准。我们提出两个基准并发布其开发集划分。GeoExpertQueries 提出基于从业者用例、并由地理空间专家完善的复杂分析问题；每个问题都配有一个来自三位独立专家的共识黄金工作流，并由经过人工验证、与工具无关的自动评分器评分。GeoKTools 由带有确定性参考求解器的模板化查询组成，这些查询系统地改变所需工具类型的数量。我们还使用了两个外部基准，CBGB 和 UnivEARTH；我们发现后者已饱和。为了分离 GRA 的工具及其智能体编排的贡献，我们比较了四种配置，每种均使用 Gemini 3.1 Pro 和 3.8 Flash：独立 LLM、带基本工具的 LLM、带 GRA 技能和工具但无其前置规划与执行指导的 LLM，以及 GRA 本身。在最多只有基本工具的情况下，先进模型能在模板化查询上恢复大部分答案，但在开放式问题上仅能满足一小部分专家工作流；GRA 在两者上均表现良好。最大的提升来自 GRA 的技能和工具；在开放式问题上，其规划与执行指导在 Gemini 3.8 Flash 上带来进一步增益，使 Flash 能以更低成本达到或超过 Pro。
| 评论： | 39 页，4 幅图，11 张表（10 张主表，1 张附录表） |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.15750 [cs.AI] |
| （或 arXiv:2610.15750v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.15750 arXiv 通过 DataCite 颁发的 DOI（待注册） |
提交历史
发件人：Gautam Prasad [查看邮件]
[v1]
2026年10月11日 周日 16:31:29 UTC（1,717 KB）
来源：arXiv cs.AI · arxiv.org