提出了 MapGPT，将大型语言模型 (LLMs) 的能力与空间数据处理技术相结合，以桥接自然语言理解和空间数据分析之间的差距。该研究介绍了 MapGPT 的核心构建模块，并将 LLMS 应用于空间和文本数据的建立中，利用特定于空间信息的分词和向量表示，旨在提供更准确和具有上下文意识的面向位置的查询响应。研究还探讨了生成空间向量表示所面临的挑战，以及 MapGPT 中计算能力的潜力，使用户能够进行地理空间计算并获取可视化输出。总体而言，这篇研究论文介绍了 MapGPT 的构建方法和方法论，突出了其在自然语言处理应用中增强空间数据理解和生成的潜力。

Oct, 2023

本研究提出一种基于大型语言模型的 AI 地理信息系统 (Autonomous GIS)，通过自动化的空间数据收集、分析和可视化，解决空间问题。Autonomous GIS 的设计原则包括信息充足性、LLM 能力和代理架构，能够实现自动生成、自组织、自验证、自执行和自增长等五个自主目标，从而以更快、更简单、更可靠的方式进行空间分析。

May, 2023

本篇研究探究 GPT-4 模型应用于地理数据场景问题的解决能力，试图了解其是否具备对地理位置、距离、海拔，以及更复杂的问题如国家轮廓、旅游网络、路线规划和供应链分析的理解和解决能力。结果表明该模型在一定程度上具备对世界的认识，但仍存在限制。

May, 2023

通过提出地理感知的生成模型 MobilityGPT，该研究利用生成预训练变压器（GPT）将人类移动性建模为一个自回归生成任务，并采用基于引力的抽样方法和道路连接矩阵来确保生成的轨迹符合地理空间限制，在减轻挑战的同时生成高质量、接近真实数据的移动轨迹。

Feb, 2024

基于 3D-GPT 的指令驱动的 3D 建模框架，利用语言模型实现了高效的自动内容创作，简化初始场景描述并从文本中提取参数值，与 3D 软件无缝集成，为未来场景生成和动画的进一步发展提供了基础。

Oct, 2023

本研究探索利用生成型 AI 作为绘图的助手的概念，以增强协作绘图的效率，并结合志愿地理信息和大型语言模型进行实验，结果表明，采用更详细的来源照片描述或结合附加上下文可以在不修改底层 AI 模型的情况下有效地提高地图标记建议的准确性。

Jun, 2023

使用 GPT 技术提出了 ProcessGPT 作为增强数据中心和知识密集型流程决策的新技术，它可以通过使用深度学习和 NLP 来开发训练模型和生成流程来帮助提高流程管理效率，降低成本并支持业务运营的质量提升。

May, 2023

GeoDecoder 是一个专门为处理地理空间信息的多模态模型，通过利用 GaoDe Amap 作为底图，该模型具有对道路、建筑形状、相对位置和其他属性的重要细节的隐含理解，同时能够接受各种上下文文本和问题提示，并生成符合 GPT 风格的文本输出，在单个模型中进行多个任务的训练和执行，并能在不同商业场景中高效应用各种地理空间任务。

Jan, 2024

该论文研究了 ChatGPT 和类似模型在空间推理和导航相关任务中的固有限制，并引入了一种新颖的评估框架和基准数据集以评估 ChatGPT 的空间推理能力。研究揭示了模型在空间理解方面的能力和局限性的关键见解。

Dec, 2023

通过数据处理和深度信息集成，Spatial Region GPT (SpatialRGPT) 提升了 Vision Language Models (VLMs) 的空间感知和推理能力，并且在空间推理任务中显著提高了性能。

Jun, 2024