ACL 2026时空数据论文总结大模型多模态智能体

ACL 2026的举办信息已经敲定：明年7月2日至7日，地点选在了美国加利福尼亚州的圣迭戈。作为自然语言处理领域的顶会，时空数据（Spatial-Temporal）相关研究在今年会场上的分量着实不轻。

直接说结论：这次ACL 2026收录的时空数据论文共11篇，其中Main长文8篇，Findings短文4篇。从LLM到Agent，从多模态大模型到POI推荐，从空间推理到气象Agent，覆盖的维度相当广。话说回来，这个方向在近两年的热度确实居高不下，下面我们就来逐篇盘点一下这些新鲜的成果。

Main

1 Reasoning Over Space: Enabling Geographic Reasoning for LLM-Based Generative Next POI Recommendation

链接：https://aclanthology.org/2026.acl-long.332/

作者：Dongyi Lv, Qiuyu Ding, Heng-Da Xu, Zhaoxu Sun, Zhi Wang, Feng Xiong, Mu Xu

关键词：POI推荐，LLM，生成式推荐

生成式推荐在POI场景下遇到的最大瓶颈是什么？地理空间推理能力。这篇工作直接瞄准了这一点，尝试让LLM在“下一个兴趣点”推荐任务中掌握地理空间的因果逻辑。

2 CityCube: Benchmarking Cross-view Spatial Reasoning on Vision-Language Models in Urban Environments

链接：https://aclanthology.org/2026.acl-long.416/

作者：Haotian Xu, Yue Hu, Zhengqiu Zhu, Chen Gao, Ziyou Wang, Junreng Rao, Wenhao Lu, Weishi Li, Quanjun Yin, Yong Li

关键词：benchmark，空间推理，VLM

城市环境中，多视角的空间推理到底有多难？CityCube给出了一个标准的评测基准。这项工作的价值在于：它让视觉语言模型在真实城市地图与鸟瞰图之间的“视角切换”能力变得可量化。

3 STReasoner: Empowering LLMs for Spatio-Temporal Reasoning in Time Series via Spatial-Aware Reinforcement Learning

链接：https://aclanthology.org/2026.acl-long.702/

作者：Juntong Ni, Shiyu Wang, Qi He, Ming Jin, Wei Jin

关键词：时空推理，空间感知RL，LLM

时间序列中的时空推理，难点在于如何让模型意识到“空间邻居”之间的关系。STReasoner引入了空间感知的强化学习来专门训练LLM的时空推理能力，算是给这个领域的RL应用提供了一个新思路。

4 Traffic-R1: Reinforced LLMs Bring Human-Like Reasoning to Traffic Signal Control Systems

链接：https://aclanthology.org/2026.acl-long.995/

作者：Xingchen Zou, Yuhao Yang, Zheng Chen, Xixuan Hao, Yiqi chen, Chao Huang, Yuxuan Liang

关键词：信号灯控制，LLM

Traffic-R1：让红绿灯也会“思考”的通用信控大模型

Traffic-R1直接把强化学习训练后的LLM搬到了交通信号控制上。核心诉求是，让红绿灯的决策不再是僵化的定时切换，而是像人类交警一样根据实时车流“思考”后再做判断。

5 TransLLM: A Unified Multi-Task Large Language Model for Urban Transportation via Learnable Prompting

链接：https://aclanthology.org/2026.acl-long.1195/

作者：Jiaming Leng, Yunying Bi, Chuan Qin, Zhenya Huang, Bing Yin, Haojie Ren, Yanyong Zhang, Chao Wang

关键词：城市交通，多任务，LLM

城市交通领域任务繁多，但每个任务都去微调一个独立大模型显然不现实。TransLLM提出的可学习提示（Learnable Prompting），实现了用一个模型去处理拥堵预测、流量估计等多个交通子任务。

6 UrbanGeoEval: A City-Scale Benchmark for Evaluating Large Language Models in Geospatial Reasoning

链接：https://aclanthology.org/2026.acl-long.1867/

作者：Mutian Bao, Qiuyi Qi, Tian Liang, Jinjian Zhang, Wei Zhou, Ming Kong, Linjian Mo, Qiang Zhu

关键词：benchmark，地理空间推理

又是一个重磅的benchmark。UrbanGeoEval有意思的点在于它的“城市尺度”——不是简单的室内导航或街区判断，而是要求LLM在全局城市地理空间中完成推理，这对模型的空间认知能力提出了更高的要求。

7 GCA Framework: A GCC Countries–Grounded Dataset and Agentic Pipeline for Climate Decision Support

链接：https://aclanthology.org/2026.acl-long.1967/

作者：Muhammad Umer Sheikh, Khawar shehzad, Salman Khan, Fahad Shahbaz Khan, Muhammad Haris Khan

关键词：气候决策支持，Agentic

聚焦海湾合作委员会（GCC）国家的气候问题。GCA框架的核心是一个Agentic Pipeline，能够结合本地化数据底座去支持气候决策，把大模型的能力真正下沉到了区域级的应用场景中。

8 Spatial-Agent: Agentic Geo-spatial Reasoning with Scientific Core Concepts

链接：https://aclanthology.org/2026.acl-long.679/

作者：Riyang Bao, Cheng Yang, Dazhou Yu, Zhexiang Tang, Gengchen Mai, Liang Zhao

关键词：空间Agent，地理空间推理

Spatial-Agent: 让 LLM Agent 从“会调地图 API”走向“会生成地理分析工作流”

过去Agent做空间分析多半是调用API，但Spatial-Agent更进一步——它试图让Agent理解并生成完整的地理分析工作流。也就是说，它不只是工具的使用者，更是分析方案的规划者。

Findings

9 Spatial-RAG: Spatial Retrieval Augmented Generation for Real-World Geospatial Reasoning Questions

链接：https://aclanthology.org/2026.findings-acl.539/

作者：Dazhou Yu, Riyang Bao, Ruiyu Ning, Jinghong Peng, Gengchen Mai, Liang Zhao

关键词：地理空间推理问题，空间-RAG

开启空间智能问答新时代：Spatial-RAG框架来了

RAG（检索增强生成）已经不算新概念了，但把它系统性地应用到空间问答上，Spatial-RAG还是头一遭。它解决的是大模型在“我在哪”和“附近有什么”这类空间问题上的精确检索与推理短板。

10 ClimAgent: LLM as Agents for Autonomous Open-ended Climate Science Analysis

链接：https://aclanthology.org/2026.findings-acl.1067/

作者：Hao Wang, Jindong Han, Wei Fan, Hao Liu

关键词：气象Agent

ClimAgent把LLM Agent用在了开放式的气候科学分析上。这与传统的封闭任务不同，它需要Agent具备自主探索、假设生成和实验设计的能力，算是相当前沿的尝试。

11 ClimateCause: Complex and Implicit Causal Structures in Climate Reports

链接：https://aclanthology.org/2026.findings-acl.1272/

作者：Liesbeth Allein, Nataly Pineda-Castañeda, Andrea Rocci, Marie-Francine Moens

关键词：因果，气象报告

ClimateCause关注的不是预测，而是理解。它从气候报告中抽取那些模糊、复杂的因果结构，尝试让模型懂得“为什么”会这样，而不只是“是什么”。这项工作对于提升气候模型的可解释性很有意义。

以上11篇论文，基本勾勒出了ACL 2026上时空数据研究的热点路线：从推理能力的补全（空间推理与RAG），到智能体的自主决策（Agent与Pipeline），再到特定领域如交通和气候的垂直深耕。每个方向都值得拿来仔细琢磨。