像素级精度的推理：用于定量地理空间分析的 QVLM 架构与 SQuID 数据集

当前的视觉语言模型在定量空间推理方面表现不佳，因为其架构破坏了计数和测量所需的像素级信息。视觉编码器通过 patch 嵌入压缩图像，减少了空间索引并丢失了精确计数所需的像素级追踪。我们提出两项贡献以解决这一根本限制。首先，我们引入了 SQuID（Satellite Quantitative Intelligence Dataset），这是一个包含 2000 个卫星图像问答对的基准数据集，带有数值范围和类别答案，旨在评估定量空间推理能力。该数据集涵盖三个难度层级，其标注由人类标签及其学习到的变异性自动生成。其次，我们提出了 QVLM（Quantitative Vision-Language Model），一种代码生成架构，通过将语言理解与视觉分析解耦来保持像素精度。QVLM 不将图像编码为嵌入，而是生成可执行代码，首先调用分割模型获取像素级掩码，然后直接在这些掩码上进行操作，从而在整个推理过程中保持空间索引。我们的实验表明，使用 GPT-5 作为编码器的 QVLM 在 SQuID 上的准确率达到 42.0%，而使用图像-问题对提示的 VLM 仅为 28.1%。我们的工作表明，对于定量空间推理，架构解耦能够在定量任务上实现更高的准确率。