利用 GeoGPT 将自然语言需求转化为 GIS 工具执行的方式可以降低非专业用户解决地理空间问题的门槛，我们展示了在多个任务中使用 GeoGPT 的有效性，同时该框架可以通过集成更多工具来扩展其适用范围。

Jul, 2023

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

通过使用 Geo-Encoder 框架，该研究提出了一种将中国地理语义有效集成到重新排名流程中的方法，通过多任务学习模块和异步更新机制，显著提高了中国地理重新排名算法的效果。

Sep, 2023

该研究提出了一种新颖的多模态地理语言模型 (MGeo) 用于查询 - POI 匹配，通过将地理信息视作一个新的模态，在提取多模态相关性的同时准确表示查询中的多个地理对象，提升了通用 PTMs 的查询 - POI 匹配能力。

Jan, 2023

GPT-4V 在地理学、农业和城市规划领域的绩效评估中展现出潜力，但在一些需要细粒度识别和精确计数的任务中存在局限性。

Dec, 2023

我们引入了一种多模态神经机器翻译模型，其中双重注意力解码器自然地整合了使用预先训练的卷积神经网络获取的空间视觉特征，弥合了图像描述和翻译之间的差距。我们的解码器通过两个独立的注意机制在生成目标语言单词时独立地关注源语言单词和图像的部分。我们发现我们的模型不仅可以高效地利用反向翻译的域内 多模态数据，还可以利用大规模的通用领域文本翻译语料库。我们还在 Multi30k 数据集上报告了最先进的结果。

Feb, 2017

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

本文使用序列到序列的方法解决了从自由文本中预测地理位置的问题，通过训练 T5 encoder-decoder transformer 模型，基于地标数据进行自适应单元划分，获得了一个地理编码模型，其中的代码、数据集和模型检查点都是公开的。

Jan, 2023

通过进行一系列实验，我们研究了多模态大型语言模型在地理和地理空间领域的知识和能力，重点关注前沿模型 GPT-4V 的视觉能力，并与开源模型进行性能比较。我们的方法涉及使用一套地理任务的小规模基准测试这些模型，测试它们在不同难度任务上的能力。分析结果揭示了这些模型的优点，包括超过人类的性能，并揭示了它们的不足之处，提供了它们在地理领域能力的全面视角。为了促进未来模型的比较和评估，我们将公开发布我们的基准测试。

Nov, 2023

提出了一个先驱性的多模态大型语言模型（MLLM）EarthGPT，该模型集成了各种多传感器遥感图像解释任务，通过构建大规模的多传感器多模态遥感指令追踪数据集 MMRS，解决了 MLLM 在遥感领域缺乏专业知识的问题，并在各种遥感图像解释任务上展现出其卓越的性能，并为开放式推理任务提供了一种多功能的范例。

Jan, 2024