EarthRecord：让多模态智能体从卫星像素走向真实地表变化

导语

多模态智能体正在从“看图回答问题”走向调用代码、命令行和可视化工具完成复杂分析。但在地球观测领域，真正困难的任务并不是识别一张整理好的卫星图片，而是面对跨年代、跨传感器、带有缺云和质量差异的原始观测，最终回答“土地到底发生了什么变化”。EarthRecord正是为衡量这一能力而设计的基准。

核心要点

• 更接近真实数据入口。 基准覆盖56个地点，时间跨度约四十年，数据来自Landsat、MODIS、VIIRS和Sentinel-2。云掩膜、数据清理以及跨传感器协调没有预先替智能体完成。
• 问题不止是图像问答。 238道题覆盖十类土地变化分析任务，答案通过保留参考结果、不同方法之间的一致性以及人工视觉判断进行评估。
• 设置了两类对照。 “闭卷”条件移除影像记录，用于观察模型是否依赖常识或先验知识；另一组仪器配对则只修改某颗卫星的数据，同时保持地面事实不变，用来测试模型是否过度相信单一数据源。
• 流程能力强于判读能力。 12个多模态智能体中，领先系统可以完成大部分端到端分析，但一旦需要把影像证据映射为具体地表变化，表现就会下降。更值得警惕的是，在卫星数据被人为改变时，约一半原本正确的答案会跟随改变后的数据。

意义与影响

EarthRecord的价值不只是增加了一套遥感数据集，而是把评测重点从“模型能否调用工具”推进到“模型是否真正相信并验证证据”。闭卷测试可以区分记忆与观测，仪器扰动测试则进一步揭示答案是否稳健、是否具备跨传感器交叉验证能力。

这对自动化地球观测有直接启发。一个能下载数据、运行脚本并生成图表的智能体，并不一定能可靠解释森林、农田或城市景观的长期变化。未来系统需要更主动地检查云污染、传感器差异和异常结果，并在多个来源不一致时给出不确定性，而不是简单追随最显眼的信号。

因此，EarthRecord更像一项能力体检：它证明多模态智能体已经具备处理复杂分析流程的基础，却也说明“从像素到真实世界事件”仍需要更强的时序推理、数据质量控制和证据核验机制。数据集与代码的开放，也为后续比较不同智能体的可靠性提供了统一入口。

Hugging Face Daily Papers