TimeSpot：面向视觉语言模型的地理时空理解基准测试
计算机视觉与模式识别
2026-05-26 v2 计算与语言
新兴技术
多媒体
机器人学
摘要
地理时空理解，即仅从视觉输入推断位置、时间和上下文属性的能力，支撑着灾害管理、交通规划、具身导航、世界建模和地理教育等应用。虽然最近的视觉语言模型（VLMs）在利用地标和路标等线索实现图像地理定位方面取得了进展，但其在推理时序信号和物理依托空间线索方面的能力仍有限。为此，我们提出TimeSpot，这是一个用于评估VLMs在真实世界中地理时空理解的基准测试。TimeSpot包含来自80个国家的1,455张地面图像，要求直接从视觉证据结构化预测时序属性（季节、月份、一天中的时间、日照阶段）和地理属性（大洲、国家、气候带、环境类型、纬度-经度）。它还包括测试物理合理性下的空间时序推理任务。VLMs的状态-of-the-art开放式和封闭式模型评估显示表现较差，尤其是时序推理。虽然监督式微调可获得改进，但结果仍不足以实现稳健、物理依托的地理时空理解。TimeSpot 可在 https://TimeSpot-GT.github.io 获取。
引用
@article{arxiv.2603.06687,
title = {TimeSpot: Benchmarking Geo-Temporal Understanding in Vision-Language Models in Real-World Settings},
author = {Azmine Toushik Wasi and Shahriyar Zaman Ridoy and Koushik Ahamed Tonmoy and Kinga Tshering and S. M. Muhtasimul Hasan and Wahid Faisal and Tasnim Mohiuddin and Md Rizwan Parvez},
journal= {arXiv preprint arXiv:2603.06687},
year = {2026}
}
备注
Accepted to ICML 2026