多模態與遙測
LongEarth-R1 用最長 30 幀衛星序列推理，12 項時空任務均勝比較模型
LongEarth-Bench 將 117,000 張遙測影像整理成約 120,000 組長序列問答，要求模型追蹤地貌演變、異常與缺失狀態。以 Qwen2.5-VL-7B 為底的 LongEarth-R1 加入幀編號、結構化推理及時空獎勵，但資料、權重與程式尚未公開。
遙測視覺語言模型通常處理單張、前後兩張或很短的時間序列，難以回答「洪水何時開始、影響區域如何擴張、之後是否恢復」這類跨階段問題。LongEarth-Bench 因此整合 SpaceNet 7、DynamicEarthNet、PASTIS-R 等五套資料，建立 120,367 組問答；每組平均含 15.14 幀、最多 30 幀，21.1%至少有 24 幀，涵蓋演變摘要、空間推理、異常辨識與邏輯預測共 12 項任務。
團隊以 Qwen2.5-VL-7B 為底座，凍結視覺編碼器，只在語言層訓練 rank 128 的 LoRA。第一階段替每張影像加入明確序號，再用 30,000 組結構化推理軌跡教模型指出關鍵幀、變化區域與時間順序；第二階段以 GRPO 比較同一輸入的多個回答，分別給予格式、時間定位及空間一致性獎勵，而非只看最終答案。
LongEarth-R1 在論文的 12 項長序列測試全部居首，例如重複幀偵測為 90.28%，基礎 Qwen2.5-VL 為 39.78%；時間順序違反偵測則由 12.38%升至 50.80%。消融也顯示三類獎勵缺一不可。不過結果來自作者自行建立及訓練的基準，同源資料可能讓比較模型吃虧；部分推理標註先由 Qwen3-VL-8B-Thinking 生成，亦可能把其偏好帶入評分。論文截至發布時未附公開資料、權重或訓練程式，工程團隊應等待可重現版本，並特別驗證跨地區、跨感測器及季節干擾下的泛化能力。