大模型理解地图地址：从地理编码到空间相关性

导 读 地理编码，简单来说，就是将“北京市海淀区成府路10号”这类日常口语地址，转化为机器可识别的经纬度坐标，为导航、搜索等位置服务提供支撑。传统方法依赖一套复杂流水线：先通过NER分词拆解省、市、区、路、门牌号，再在数据库中进行检索与排序。看似合理，但面对口语化表达、缩写、方言等“非标准”输入时，往往准确率骤降。近期，团队在ACL 2026上发表了ReaGeo——一种基于大语言模型的端到端地理编码框架。该框架直接让LLM从文本生成Geohash坐标序列，借助思维链（CoT）增强空间推理能力，再通过GRPO强化学习将定位精度推向极致。模型不仅能定位“五道口地铁站”这类标准地址，还能理解“五道口地铁站南200米”这种带方向方位的模糊描述。在北京城区数据测试中，平均偏差仅为119.6米，500米内准确率高达97.2%。 本文不止于地理编码本身，更从搜索引擎视角深挖一个更广义的问题：空间相关性。用户搜索“南开大学”时，到底想找哪个校区？地图搜索中如何建模这类“where-what”型问题？这些思考，正是地理编码研究背后真正有趣的地方。 论文链接：https://arxiv.org/pdf/2604.21357 ---

01 地理编码：让机器读懂地图地址

地理编码将人类可读的地理位置描述转换为机器可读的坐标，是数字地图、导航和空间定位的基础能力。Google Maps、Bing Maps、高德地图等平台都以地理编码API作为核心公共服务之一，全球日调用量超过百万次，覆盖电商、物流、城市规划、灾害管理等领域。 传统方案的主流做法是一条多阶段流水线：先用NER切出省、市、区、路、门牌号，再到大型地理数据库里做文本或向量检索匹配。但真实场景里，地址查询往往缺乏标准格式，缩写、方言、口语化表达层出不穷。这些语义上的不一致，让检索难度直线上升。实验数据表明，面对非标准地址描述时，当前SOTA模型的定位准确率平均下降超15%，模糊位置查询的表现尤其惨烈。 传统向量检索流水线（上）vs ReaGeo端到端生成流程（下）

问题核心

现有方法过度依赖“人工预置地理知识库”，一旦脱离理想化设定，大模型便难以从原始文本中自主推理出关键空间语义线索。 ---

02 ReaGeo：让大模型“端到端”学会地理编码

其实这些所谓的“地理知识”，大量都内生于地址文本自身。与其被动维护一个知识库，不如让模型直接从文本里“学”出空间映射。我们提出ReaGeo——一种不依赖外部地理数据库、仅通过端到端文本生成就能完成坐标预测的新范式。核心思路：地址文本本身蕴含丰富的空间知识。用Geohash编码把坐标转成文本序列，大模型只需要像写文章一样自回归地输出一串字符，地理编码就完成了。 具体来说，ReaGeo基于Qwen2.5-3B模型，使用Geohash编码（Base32，长度9，精度约2.4米）将坐标转为文本序列，整个训练分为两个阶段。 **第一阶段：CoT（思维链）增强的SFT** 想让模型理解“XX路口南200米”这样的模糊描述，得让它学会推理。训练时，对每个POI地址，以邻近地址为起点计算相对位置关系，作为中间推理步骤，引导模型先理解周边环境，再输出Geohash。结合Qwen的thinking模式标签机制，用``和``标记中间推理过程。推理阶段可以关闭thinking来节省开销。 输入： “Snow-covered courtyard ” 输出： “100 meters south of the intersection of XX Road and XX Road, XX District w x 4 e j 8 m d t” **第二阶段：GRPO强化学习优化** 在SFT基础上，ReaGeo采用GRPO（Group Relative Policy Optimization）进一步优化。不需要额外训练价值模型，而是对同一输入生成多个候选输出，按组内相对奖励更新策略。 特别设计了一个基于地理空间距离偏差的奖励函数： R = (T − √D(ypred, ytrue)) ⁄ S 其中T=100，D(·)是WGS-84椭球大地测量距离（米），S=1000。预测越接近真实位置，奖励越高。训练数据里加入了“XX路口南偏200米”等随机偏移描述，专门用来强化方向和距离的推理能力。 输入： “50 meters north of No.385 XX Road, XX Town, XX District, XX” 输出： “w x 4 s f d v p y” **实验验证：全面超越商用API与学术基线** 实验使用北京市城区和郊区共239,918条数据样本（来源：高德搜索引擎日志和高德POI数据库），分为“基础数据”和“锚点偏移数据”两类场景，完全覆盖非标准地址查询，与6种基线方法对比。 几个关键发现： - **Qwen3-Max零样本近乎失效。** 即使是当前最强的通用大模型，不经过地理编码专项训练，Acc@100接近0%。说明地理编码不是“通用智能”能轻松解决的任务。 - **商用API表现平庸。** 百度地图和腾讯地图在非标准地址上表现有限，受限于匹配机制和数据覆盖。 - **ReaGeo全面领先。** 城区基础数据ADD仅119.6米，Acc@500达97.2%；在更具挑战的锚点偏移场景，优势更明显——城区Acc@200达71.5%，而百度地图只有42.2%。 119.6米 **城区基础ADD** 97.2% **Acc@500准确率** **消融实验** 进一步分析显示： - 仅移除GRPO，Acc@100就从51.3%跌到40.6%，说明强化学习对精细化空间推理至关重要； - 移除CoT，无效输出错误数从20猛增至80，模型更容易“胡说”； - 完整框架下性能最优，证明“思维链推理+强化学习优化”的闭环是精度领先的关键。 此外，论文还验证了几个关键技术选择： - **为什么用Geohash而不是直接输出经纬度？** 消融对比显示，Geohash序列输出（ADD 427.7米，Acc@100 68.8%）优于直接生成经纬度坐标（ADD 440.1米，Acc@100 68.7%）。原因在于Geohash通过递归二分将连续地理空间离散化为序列格式，与语言模型的自回归文本生成机制天然契合，同时支持渐进式精度控制——每多输出一个字符，定位精度就提高约4倍。 - **对未见方向描述的泛化能力。** 论文构造了包含“东北”“东南”“西北”“西南”四个非基本方向的测试集。模型从未在训练中见过这些方向词，但在intercardinal方向上仍取得了ADD 562.9米、Acc@100 22.4%的效果，与基本方向（ADD 524.8米，Acc@100 32.6%）差距有限。说明模型真正学会了空间方向推理，而非简单记忆训练数据中的模式。 另外，Qwen2.5-3B在精度与效率之间取得最佳平衡：模型规模更大时精度继续提升，但推理延迟也会随之增长。 标记2-5为模型根据相对位置提示在地标1周围的预测结果 **从点定位到空间分布：ReaGeo的更广能力** 论文里有个容易被忽略但极具启发性的发现：ReaGeo不仅能做精确的点定位，还能处理线状POI（比如道路）和面状POI（比如行政区）。 对于道路类POI，ReaGeo多次采样的预测点会自然沿道路分布，形成线状热力模式——虽然部分点偏离道路中心线，但整体走向与实际道路高度一致。对于行政区类POI，预测点的分布热力图覆盖了约70%的行政区域面积，且高度集中在核心城区。

核心发现

这意味着什么？ReaGeo输出的不是单一的“确定性坐标”，而是一个隐式的空间概率分布。当模型对某个query的预测高度集中时，它退化为精确的地理编码；当预测分散时，它呈现出类似空间相关性的热力分布。这一发现刚好连接了精确geocoding与广义空间相关性之间的鸿沟。 ReaGeo对线状和面状query的推理能力，也引申出搜索引擎的一个重要概念：空间相关性。 ---

03 从地理编码到空间相关性：搜索引擎视角

ReaGeo解决了“给定一个地址描述，输出精确坐标”的问题。但这只是地图搜索的一部分。如果视角拉高到整个搜索引擎架构，会发现地理编码本质上是一个更广义问题的特例——(文本)空间相关性（Text-Spatial Correlation）建模。 **什么是空间相关性？** 简单说，空间相关性描述的是查询词（Query）与地理空间特定位置之间的相关关系及强度。它不仅能指向这个地址对应哪个坐标，也能指向查询词指向的区域。 举个例子。用户搜索“南开大学”时，可能存在多个候选POI： - POI1——南开大学（主校区） - POI2——南开大学图书馆 - POI3——南开大学滨海学院 用户的真实意图是哪一个？传统大搜引擎中，是用文本相关性来衡量query与Doc之间的相关关系。在LBS搜索中，除了文本相关性，还有空间相关性。南开大学有三个校区，搜索“南开大学”时，可能指代哪一个？这既与各个校区的热度有关，也与用户和各个校区的相对位置有关。这就是空间相关性要回答的问题。下图是文本相关性与空间相关性的直观对比。 空间相关性包含两个核心维度： - **Geographical Anticipation（空间意图指向）** Query中表达的“where”意图是什么？“朝阳望京”指向望京区域，“沙河白各庄”指向昌平区沙河镇——不同的query有不同的空间意图范围。 - **Geographical Sensitivity（距离敏感度）** 不同类型的POI对距离的敏感程度截然不同。建材市场、肯德基、烟酒、景点、美食、商场——这些品类的用户容忍半径差异巨大。搜索“肯德基”的用户可能愿意走500米，但搜索“建材市场”的用户可能愿意跨越整个城市。 下图展示了不同搜索词对空间距离和POI热度的敏感度分析。 **地图搜索，皆为“where-what”问题** 在搜索引擎视角下，所有地图检索问题都可以抽象为“where-what”二元框架：在哪里（where）查什么（what）。比如query“五道口美食”是典型的WhereWhat类型检索。即使query中没有显式的Where+What形式，比如query“美食”，其实也有一个隐含的Where——“我的位置附近”。空间相关性建模对于解决Where-What类型query非常有帮助。比如query“沙河白各庄”，传统的基于term完全匹配的检索未必能找回目标POI，因为doc文本可能不完备。但基于空间相关性思维，可以推理这个query的空间意图指向，从而基于部分term召回，再经过文本和空间相关性的综合排序后，给出最终搜索结果。如下图所示。 **ReaGeo与空间相关性的内在联系** 回头看ReaGeo，它本质上是在解决空间相关性的一个极端特例——当空间相关性score的分布退化为一个尖峰（delta function）时，就是精确的地理编码。ReaGeo通过端到端生成Geohash序列，直接输出最高相关性的位置。 但论文揭示的线状和面状POI预测能力表明，ReaGeo内部隐式地建模了更广泛的空间分布——而不仅仅是输出一个点。这意味着它同时具备了精确geocoding和空间相关性估计的潜力。 ---

04 业务场景应用展望

ReaGeo和空间相关性技术不只是学术创新。高德地图正在把这些前沿成果转化为实际产品能力：交通报警快速定位、物流订单目的地智能识别、自然语言地图搜索——这些曾经需要复杂流水线才能完成的任务，如今一个端到端模型就能搞定。基于此，也为零售、物流、城市规划等众多行业客户提供基于自然语言的地理空间智能服务。 ---

结语：让大模型更好地理解地图

地理编码的终极目标，是让非技术人员也能通过自然语言自如地访问地理空间信息。ReaGeo把地理编码从“分词→检索→排序”的多阶段流水线，重构为端到端的文本生成任务，不仅大幅降低了对外部知识库的依赖，更提供了一条低成本、高鲁棒、可解释的工业部署路径。 当大模型不再“裸奔”于地址文本之上，而是真正“理解”了空间关系——从精确的地理编码到广义的空间相关性，从坐标输出到意图分布——对话式地图交互、自然语言导航、智能物流定位的时代，或许已不再遥远。 #ReaGeo #地理编码 #大模型 #高德 #高德技术