阿里提出 Thinking with Map：让 AI 查地图定位，500米准确率达 22.1%

玩过地理猜谜游戏 GeoGuessr 的人都知道，光认出照片里的路牌和树种没用，真正定胜负的，是你能不能在地图上快速比对、找到那个具体拐角。

过去的视觉大模型猜地理位置，多半像个死记硬背的书呆子：靠预训练里背过的知识硬猜，或者丢给搜索引擎搜几句关键词，往往差之毫厘谬以千里。1 月 8 日，阿里巴巴团队提出了一个名为 Thinking with Map 的图像地理定位框架，把人类查地图找地方的直觉做进了大模型里。

像人类一样在地图里「跑圈」

阿里团队发现，以往的多模态模型虽然具备思维链推理和工具调用能力，却恰恰忽略了人类定位时最基础的动作：直接翻地图。

Thinking with Map 的核心是把模型放进一个「地图闭环」里。系统由两阶段优化驱动：首先是智能体强化学习，让模型在与地图交互时学会高效检索和缩放，提升探索效率；接着引入并行测试时间缩放机制，在最终拍板前，允许模型同时探索多条候选推断路径。

为了验证实战能力，团队还构建了完全由真实环境图像组成的评测基准 MAPBench，专门用来测试复杂现实场景下的定位水准。

500 米准确率翻了将近三倍

从测试结果来看，这种边思考边查地图的策略效果非常直接。

在 MAPBench 的测试中，Thinking with Map 在绝大多数指标上击败了现有的开源和闭源模型。在衡量精准度的 500 米误差范围内，模型的定位准确率达到了 22.1%。

作为对比，开启了 Google 搜索和地图接地模式的 Gemini-3-Pro，在同一指标下准确率只有 8.0%。换句话说，阿里的这套新架构把 500 米内的精准定位表现拉高了整整 2.8 倍。

为什么重要

对于需要从照片逆向推导地点的场景来说，这项研究极具实用价值。无论是开源情报分析、失踪人员搜寻、新闻事实核查，还是社交媒体的内容溯源，精准定位到街区级别的能力都是质的飞跃。

对整个行业而言，这项工作把「测试时间计算缩放」从纯文字数学题带进了复杂的多模态空间检索。它证明了面对现实世界任务，让模型像人一样借助专业工具进行并行试错，比单纯堆参数或盲目做全网搜索有效得多。

我们认为阿里的切入点非常聪明，把高德系积累的地图交互基因与智能体强化学习结合，打出了明确的差异化。不过话说回来，22.1% 的 500 米准确率虽然远超同行，但也意味着面对严苛的现实盲测，依然有近八成案例无法精确锁定到特定街区；加上测试期并行搜索带来的算力开销，如何把这套机制压缩成低延迟的实时服务，是团队下一步不得不面对的问题。