GIS 问答别只测“知道多少地名”：距离、包含和格网计算必须单独验收
大模型能说出许多地点和常识，不等于能可靠完成空间计算。导航、物流、选址和公共服务问答经常要求距离、包含关系、方向、网格编码或形状运算；把这些任务只当作检索问题，会掩盖模型在几何和拓扑上的失败。MultiGlobeQA 提供了一个全球、多语言的基准，说明 GIS 智能体必须把知识获取和空间计算分开验证。
可核查事实
- 论文《MultiGlobeQA: A Multilingual and Globally Diverse Benchmark for Geospatial Reasoning》于 2026 年 8 月 4 日提交 arXiv。
- 基准包含 46,060 组问答，覆盖 14 类空间功能和 15 种答案格式。
- 真值通过三个知识图谱上的可执行计算产生，而不是由语言模型或人工主观标注。
- 覆盖 201 个国家和地区，并按收入和人口密度分层抽样。
- 问题有英文及另外 16 种高资源和低资源语言的平行版本。
- 研究比较参数化、推理和智能体设置下的模型表现。
- 模型在格网索引和形状计算任务上明显失效；拓扑关系和方向关系表现相对最好。
- 检索和工具使用可显著提升结果，但即使提供金标准事实，性能仍低于三分之二，表明瓶颈在计算而非知识获取。
- 低收入地区的表现更差，且提供金标准事实后这一差距反而扩大。
核心机制
空间问答至少包含两段：找到正确实体和数据，再对几何、拓扑或索引执行正确操作。前一段可借助检索、地名消歧和知识图谱；后一段应交给确定性的 GIS 函数，例如测地距离、点在面内、缓冲、相交、最近邻或格网转换。若让语言模型在文本里“心算”坐标和形状，答案即使听起来合理也无法验证。
可执行真值的价值在于把问题转成可重放操作：同一份实体、几何和查询在同一版本数据上应得到相同输出。模型负责理解意图、选择工具和解释结果；工具输出、参数、CRS、数据版本和容差负责支撑结论。
GIS 场景
面向公众的地点服务、物流路线筛查、规划选址和自然资源问答，都可采用“LLM 解析 + GIS 执行 + 结果回读”的架构。系统先把自然语言请求结构化为实体、空间关系、时间和单位，再调用数据库或 GIS 引擎得到结果，最后让模型解释结果及其适用范围。
多语言支持不能只靠翻译界面。每种语言都应测试地名别名、行政层级、单位、方向表达和含糊指代，并按国家收入、人口密度、城市/乡村及数据完备度分层报告失败率。
技术路径
- 将问题拆为实体解析、数据检索、空间算子、参数与输出格式五部分。
- 对距离、包含、相交、方向和格网等算子调用确定性 GIS 工具，记录 CRS、容差、数据版本和执行结果。
- 用可执行真值构造多语言、跨区域、城乡和数据稀疏分层测试集。
- 分别报告实体检索成功率、工具调用成功率、空间计算正确率、解释一致性和端到端完成率。
- 将低置信、工具错误、数据缺失和跨语言歧义返回给用户或人工审核，不编造精确答案。
检查清单
- 距离、包含、方向与格网问题是否由 GIS 函数而非文本推断执行？
- 是否记录了 CRS、单位、几何版本、容差和查询参数？
- 是否在多语言、低资源地区、城乡和数据稀疏条件下独立验收？
- 检索到事实后，系统是否仍能正确计算，而不把知识检索当作答案？
- 是否为无数据、歧义地名和工具失败提供明确提示与复核出口？
风险边界
基准结果不能代替具体城市或组织的数据质量审计。工具调用也会因过期边界、错误 CRS、地名消歧或不恰当容差而产生错误。任何涉及执法、救援、资格判定或安全调度的空间答案，应显示数据版本和计算依据，并由责任人员审核。
资料依据
本文依据 Böckling 等人的 arXiv 论文《MultiGlobeQA: A Multilingual and Globally Diverse Benchmark for Geospatial Reasoning》v1 撰写。46,060 问答、14 类功能、15 种格式、三个知识图谱、201 个国家地区、17 种语言、金标准事实和低收入地区结果均来自该论文；本文的 GIS 工具分工与产品验收建议为部署建议。
结论
GIS 智能体的可靠性不能只用地名知识或流畅表达来衡量。让模型负责理解和编排，让 GIS 工具负责计算，让可执行证据负责验收，才能把自然语言问答转成可复核的空间结论。