阿里提出 Thinking with Map：讓 AI 查地圖定位，500米準確率達 22.1%

玩過地理猜謎遊戲 GeoGuessr 的人都知道，光認出照片裡的路牌和樹種沒用，真正定勝負的，是你能不能在地圖上快速比對、找到那個具體拐角。

過去的視覺大模型猜地理位置，多半像個死記硬背的書呆子：靠預訓練裡背過的知識硬猜，或者丟給搜尋引擎搜幾句關鍵詞，往往差之毫釐謬以千里。1 月 8 日，阿里巴巴團隊提出了一個名為 Thinking with Map 的影像地理定位框架，把人類查地圖找地方的直覺做進了大模型裡。

像人類一樣在地圖裡「跑圈」

阿里團隊發現，以往的多模態模型雖然具備思維鏈推理和工具呼叫能力，卻恰恰忽略了人類定位時最基礎的動作：直接翻地圖。

Thinking with Map 的核心是把模型放進一個「地圖閉環」裡。系統由兩階段最佳化驅動：首先是智慧體強化學習，讓模型在與地圖互動時學會高效檢索和縮放，提升探索效率；接著引入並行測試時間縮放機制，在最終拍板前，允許模型同時探索多條候選推斷路徑。

為了驗證實戰能力，團隊還構建了完全由真實環境影像組成的評測基準 MAPBench，專門用來測試複雜現實場景下的定位水準。

500 米準確率翻了將近三倍

從測試結果來看，這種邊思考邊查地圖的策略效果非常直接。

在 MAPBench 的測試中，Thinking with Map 在絕大多數指標上擊敗了現有的開源和閉源模型。在衡量精準度的 500 米誤差範圍內，模型的定位準確率達到了 22.1%。

作為對比，開啟了 Google 搜尋和地圖接地模式的 Gemini-3-Pro，在同一指標下準確率只有 8.0%。換句話說，阿里的這套新架構把 500 米內的精準定位表現拉高了整整 2.8 倍。

為什麼重要

對於需要從照片逆向推導地點的場景來說，這項研究極具實用價值。無論是開源情報分析、失蹤人員搜尋、新聞事實核查，還是社交媒體的內容溯源，精準定位到街區級別的能力都是質的飛躍。

對整個行業而言，這項工作把「測試時間計算縮放」從純文字數學題帶進了複雜的多模態空間檢索。它證明了面對現實世界任務，讓模型像人一樣藉助專業工具進行並行試錯，比單純堆引數或盲目做全網搜尋有效得多。

我們認為阿里的切入點非常聰明，把高德系積累的地圖互動基因與智慧體強化學習結合，打出了明確的差異化。不過話說回來，22.1% 的 500 米準確率雖然遠超同行，但也意味著面對嚴苛的現實盲測，依然有近八成案例無法精確鎖定到特定街區；加上測試期並行搜尋帶來的算力開銷，如何把這套機制壓縮成低延遲的即時服務，是團隊下一步不得不面對的問題。