Resumen:Este artículo presenta GeoAgent, un modelo capaz de razonar estrechamente con los humanos y derivar conclusiones de direcciones detalladas. Los métodos anteriores basados en RL han logrado avances en el rendimiento y la interpretabilidad, pero aún siguen siendo motivo de preocupación debido a su dependencia de datos de cadena de pensamiento (CoT) y estrategias de entrenamiento generados por IA, que entran en conflicto con las características geográficas. Para abordar estos problemas, primero presentamos GeoSeek, un nuevo conjunto de datos de geolocalización que comprende datos CoT anotados por expertos geográficos y actores profesionales. Exploramos más a fondo las características inherentes de las tareas geográficas y proponemos una recompensa de geosimilitud y una recompensa de consistencia evaluadas por un agente de consistencia para ayudar en la capacitación. Esto anima al modelo a converger hacia respuestas correctas desde una perspectiva geográfica, al tiempo que garantiza la integridad y coherencia de su proceso de razonamiento. Los resultados experimentales muestran que GeoAgent supera a los métodos existentes y a una serie de VLLM generales en múltiples granos, al tiempo que genera un razonamiento que se alinea estrechamente con los humanos.
Publicado originalmente en export.arxiv.org el 15 de febrero de 2026.
Ver fuente original
