最近，一项关于长期地球观测推理的研究引起了广泛关注。长期地球观测推理需要模型能够组织多阶段的地理演化，定位空间变化，检测时间异常，并从延长的图像序列中推断未来。然而，现有的遥感视觉语言模型主要集中在孤立的图像、图像对或短序列上，限制了在相关帧和区域中的可靠接地。为了解决这个问题，研究人员提出了LongEarth-Bench基准，包含大约120k个问答样本，来源于117k个独特的图像。这些序列的平均长度为15.14帧，延伸到30帧，涵盖了12个任务，包括演化总结、空间推理、异常识别和逻辑预测。一个30k样本的子集进一步提供了结构化的推理痕迹，将关键帧和改变的区域链接到最终答案。研究人员开发了LongEarth模型，并通过监督微调和结构化的chain-of-thought监督来训练它。基于LongEarth，LongEarth-R1应用了组相对政策优化，包括格式、时间和空间奖励。LongEarth-R1在所有12个长序列任务中取得了最好的结果，同时在标准的遥感基准上保持竞争力。 博主点评： LongEarth-R1的提出标志着长期地球观测推理领域的一个重要突破，这项技术有望在环境监测、气候变化研究等领域发挥重要作用。