导 读
地理编码（Geocoding）是将"北京市海淀区成府路10号"这样的自然语言描述转换为经纬度坐标，以提供位置搜寻或导航等的核心技术。传统方案依赖"NER分词→数据库检索→排序"的复杂流水线，面对口语化表达、缩写、方言等非标准输入极易出错。本文介绍团队发表在ACL 2026的论文ReaGeo，首个基于大语言模型的端到端地理编码框架——直接让LLM从文本生成Geohash坐标序列，通过思维链（CoT）增强空间推理、GRPO强化学习优化定位精度。模型不仅可以对"五道口地铁站"这种地址做定位，还可以理解并精准定位"五道口地铁站南200米"这样带方向方位引导的query。经测试，在北京城区数据上，可实现平均偏差仅119.6米、500米内准确率97.2%的效果，
本文还从搜索引擎视角深入探讨空间相关性这一更广义的问题：当用户搜索"南开大学"时，他们真正想找的是哪个位置？地图搜索中如何建模"where-what"类型问题？这些问题正是geocoding研究背后更深层的思考。
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、高德地图等平台均以地理编码API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。
传统地理编码的主流做法是一条多阶段流水线：先用NER（命名实体识别）将地址文本切分为省、市、区、路、门牌号等实体，再到大型地理数据库中做文本或向量检索匹配。然而，在真实场景中，地址查询往往缺乏标准化格式，甚至存在缩写、方言、口语化表达等问题。这些语义不一致性极大提升了检索难度。实验表明，当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%，其中模糊位置查询的性能崩塌尤为严重。
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。
02ReaGeo：让大模型"端到端"学会地理编码
这些所谓的"地理知识"，其实大量内生于地址文本自身。与其被动依赖人工维护知识库，不如主动让模型从文本中"学习"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即可完成坐标预测的地理编码新范式。思想是：地址文本本身即蕴含丰富的空间知识。通过Geohash编码将坐标转化为文本序列，大模型只需要像写文章一样自回归地输出一串字符，就完成了地理编码。
具体来说，ReaGeo基于Qwen2.5-3B模型，利用Geohash编码（Base32，长度9，精度约2.4米）将坐标转化为文本序列，整个训练分为两个阶段：
第一阶段：CoT（思维链）增强的SFT
为了让模型理解"XX路口南200米"这样的模糊描述，ReaGeo引入思维链推理。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
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。不需要训练额外的价值模型，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。
创新性地设计了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(·)为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。训练数据中加入"XX路口南偏200米"等随机偏移描述，专门强化方向和距离推理能力。
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的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，优势更为显著——城区Acc@200达71.5%，而百度地图仅42.2%。
119.6米
城 区 基 础 A D D
97.2%
Acc@500 准 确 率
消融实验
消融实验进一步表明：
仅移除GRPO已导致Acc@100从51.3%跌至40.6%，说明强化学习对精细化空间推理至关重要；
移除CoT则导致无效输出错误数从20骤升至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ReaGeo精度领先的关键来源。
此外，论文还验证了几个关键的技术选择：
为什么用Geohash而不是直接输出经纬度？
论文的消融对比显示，Geohash序列输出（ADD 427.7米，Acc@100为68.8%）优于直接生成经纬度坐标（ADD 440.1米，Acc@100为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。模型虽然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为22.4%的效果，与基本方向（ADD 524.8米，Acc@100为32.6%）差距有限。这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。
此外，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
论文中一个容易被忽略但极具启发性的发现是：ReaGeo不仅能做精确的点定位，还能处理线状POI（如道路）和面状POI（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。这一发现恰好连接了精确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，也引申出一个搜索引擎的重要概念：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。如果我们把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？
简单来说，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。当用户搜索"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？在传统大搜引擎中，是以文本相关性来衡量query与Doc之前的相关关系。在LBS搜索中，除了文本相关性，还有空间相关性。譬如南开大学有三个校区，当搜索南开大学时，可能指代哪一个校区？这既与各个校区的热度有关，也有用户与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。下图是对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
在搜索引擎的视角下，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中没有显示的表达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文本可能是不完备的。但是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，并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
回过头来看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仅是学术创新。高德地图正将这些前沿成果转化为强大的产品能力：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即可胜任。
并以此能力为零售、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访问地理空间信息。ReaGeo通过将地理编码从"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，不仅大幅降低对人工知识库的依赖，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。
END
