短途还能走对，路一长就乱了。UrbanGround 把大模型放进用香港真实三维数据搭建的城市沙盒。短程导航最高成功率为 75.0%，长程却只剩 0% 到 3.8%。模型像是「走两步，就忘了路」：刚才还知道往哪走，转过几个路口，前面的判断就接不上了。
图 1 UrbanGround 以香港真实三维地理数据为底座，支持第一人称探索、全局地图、昼夜与天气切换，以及行人移动。
如今的大模型，认出城市街景里的地标已经不算难。在 UrbanGround 中，10 个模型的视觉识别准确率为 75.0% 到 93.8%。如果只看一张图，它们答得相当不错。
可一旦真让它们上街找路，情况就变了。短程导航中，表现最好的模型能完成 75.0% 的任务。路线拉长后，10 个模型的成功率都落在 0% 到 3.8% 之间。「走两步，就忘了路」，说的正是这种反差：眼前几步能走对，前面作出的判断却很难一路带到终点。
为了弄清这种反差从哪里来，上海交通大学、新加坡国立大学、美团、香港中文大学、上海大学和牛津大学的研究团队推出了 UrbanGround。团队把香港的真实三维地理数据做成一座可以连续行走的城市沙盒。模型从第一人称看街景、查地图、过天桥，也会撞墙、遇到封路和移动行人。到了这里，答对问题只是起点，真正的考验是能不能把路走完。
项目地址：https://urbanground.github.io
论文链接：https://arxiv.org/abs/2608.27456
Huggingface：https://huggingface.co/papers/2608.27456
代码地址：https://github.com/UrbanGround/UrbanGround
App链接：https://github.com/UrbanGround/UrbanGround/releases
这一次，模型不只要看懂街景，还得把路走完
过去的城市空间智能评测，很多停在单张街景或航拍图上。模型只需回答眼前的问题，不用真的走出下一步。即使是导航，视角也常沿着预设节点切换，模型并没有真的在一座连续的城市里一步步找路。
UrbanGround 由地理层、仿真层和智能体层组成。
地理层以香港地政总署公开的 3D Visualisation Map 和 3D Pedestrian Network 为底图，把地理坐标、三维网格和步行网络对齐到同一套沙盒坐标中。
仿真层把地图变成一座可以走进去的城市。建筑、墙体、坡道和地形起伏都会影响行动。同一地点可以切换昼夜和天气，道路也能在途中封闭，行人会沿步行网络移动。研究者可以反复跑同一条路线，只改天气、封路或人流，看模型会怎么应对。
智能体层规定了模型每一步能看到什么、能做什么。它只能看到当前的第一人称画面和任务说明，需要时可以打开地图，再选择移动、转向、跳跃或操作地图。地图标出当前位置和目标，却不替它规划路线。
图 2 同一地点可以切换昼夜和天气，行人会沿着步行网络移动，并与模型发生碰撞。
会看街景，为什么还是走不完一条路
UrbanGround 设置了十几类任务，但追问的是同一件事：模型刚刚作出的判断，在转弯、走远或遇到封路后，还管不管用？
论文从空间定位、持续记忆和动态调整三个方面来测。空间定位先问模型有没有弄清眼前的空间关系。认出地标只是第一步，它还得知道地标在自己的哪个方向，才能决定往哪走；持续记忆把路拉长。当地标离开视野，模型要把先前看到的线索、眼前街景和地图重新对上，不能每过一个路口就从头找方向；动态演化再把路况改掉。前方突然封路、行人挡在路上，模型能不能看出原路已经走不通，并及时换路？
研究团队最终整理出 810 个经过人工检查的任务实例，覆盖香港多个城区，并用同一套动作接口测试了 10 个多模态模型。任务从短到长：先看懂眼前，再把判断带进更长的路线，最后还要应付途中变化。
图 3 810 个任务实例分布在香港多个城区
空间定位：认得出地标，却分不清方向
第一组实验只看最短的一段行动。视觉识别测试模型能否认出周围目标，方向理解要求它判断地标相对自己的方位，主动探索则允许它走上几步，补看初始视角里没有的线索。
认东西不算难。10 个模型的视觉识别准确率为 75.0% 到 93.8%，主动探索准确率也达到 46.3% 到 82.5%。只要线索在附近，模型往往能一边看、一边走，完成这段任务。
方向却难得多。10 个模型的方向理解准确率只有 23.3% 到 58.3%。Gemini-3.1-Pro 的视觉识别准确率达到 82.5%，方向理解却只有 23.3%，甚至低于随机猜测。它能认出地标，却不容易在视角转动后判断地标究竟在左边还是右边。还没走远，方向已经可能错了。会认地方，不等于知道该往哪走。
表 1 视觉识别准确率。PNA 指轨迹位于登记行人网络上的动作时间占比
答对了，也不等于走得对。有些模型找到了正确线索，轨迹却离开了行人网络。论文里有个很直观的例子：GPT-5.5 需要回答北京同仁堂旁边是哪家银行。它找到了药房旁的东亚银行，答案没错，探索时却直接横穿马路，离开了步行区域。答案虽对，走法却是现实里不允许的。
图 4 GPT-5.5 答对了银行，却在找线索时直接横穿马路
持续记忆：走两步，就忘了路
第二组实验把路拉长，还加入语言指令、路径限制、地点搜索和多地点规划等任务。形式不同，难点却一样：地标离开视野后，模型还能不能接着判断自己在哪、要往哪走？
短途还走得不错。GPT-5.5 和 Claude-Opus-4.6 的成功率都为 75.0%。一到长路线，10 个模型的成功率只剩 0% 到 3.8%。GPT-5.5 从 75.0% 跌到 0%，Claude-Opus-4.6 从 75.0% 跌到 1.3%。眼前几步会走，不代表整条路走得完。
问题不只是路更长、步骤更多。每次转弯、过街或开关地图，模型都要重新判断自己在哪、目标在哪。它可能连续几步都走对，也可能在一个路口走偏后仍按原方向前进。小偏差一路累积，最后就很难回到正确路线。
表 2 短程导航最高成功率为 75.0%，长程导航中所有模型都不超过 3.8%。八类任务使用同一套城市交互接口。
按起点到目标的距离分组，趋势也很清楚：距离越长，短程导航和指令导航的成功率总体越低。个别模型的曲线会有起伏，所以不能说每多走一步，性能就一定下降。但总体上，路线越长，走偏后没能纠正的情况就越多。
图 5 在同一类任务中，交互距离增加时，成功率总体下降，但各模型的曲线并不完全一致。
如果只看是否到达终点，很容易以为模型一开始就走错了。轨迹却不是这样。长程任务结束时，各模型仍有 52.5% 到 81.3% 的轨迹比起点更靠近目标，可完整成功率只有 0% 到 3.8%。它们往往找对了大方向，也走对了一段，最后还是卡在半路。
图 6 长程导航中，不少轨迹结束时比起点更接近目标，多地点规划也常能完成部分访问，但完整成功率仍接近零。
其中一段 GPT-5.5 轨迹很有代表性。绿篱挡住直行路线后，模型找到了正式坡道，走上结构复杂的天桥，继续朝目标前进。至少这一段，它看懂了道路结构，也选对了路。
图 7 绿篱挡路后，模型找到正式坡道并穿过天桥，这一段走对了。
另一段轨迹则在关键节点出了问题。模型能识别道路，也会调整方向，却在走偏后没有重新规划，错误一直带到任务结束。GPT-5.5 的长程任务中，57.5% 的轨迹最终比起点更接近目标，34.6% 的轨迹把距离缩短了至少 20%。可这些轨迹放在一起，任务结束时的平均剩余距离仍是初始距离的 98.9%，到达率为 0%。一部分轨迹走近了，另一部分则绕得更远，整体几乎没有净进展。
图 8 GPT-5.5 朝目标穿过道路，遇到中央障碍后仍反复向前，直到第 100 步也没重新找到路线。
动态调整：城市已经变了，模型还在走旧路
长路线考验的是前面的判断能不能一直管用。到了动态环境，情况又多了一层：路况变了，模型会不会放弃原来的走法？最后一组实验在模型行动过程中加入封路和移动行人，看它会不会改道、避让。
研究人员先在同一个地点、同一个任务上切换时间和天气。局部问答会有波动，短程导航却没有普遍变差。以 GPT-5.5 为例，晴天、夜晚和阴天的短程成功率分别为 75.0%、75.0% 和 76.3%。这说明前面的长程失败不能简单推给天黑或坏天气。
表 3 相同任务在不同时间和天气下的局部问答与短程导航结果
接着，研究人员在模型走到一半时封路，并放入移动行人。封路任务中，各模型的路网遵循率为 93.0% 到 96.4%，封路遵守率却只有 10.0% 到 46.7%，最终到达率也只有 0% 到 3.3%。移动行人任务中，路网遵循率仍有 90.6% 到 98.5%，碰撞率却高达 76.3% 到 90.0%。这些模型大部分时间仍走在路网上，却不太会因前方封闭及时改道，也常常避不开行人。看见变化还不够，动作必须跟着变。
表 4 模型大部分时间仍在登记行人网络上，但封路遵守率很低，行人碰撞率很高。SPR 指封路后没有穿越关闭线的任务比例，PCR 指行人碰撞率。
会认地标，也会走几步，为什么路一长就乱了
把这些结果放在一起，最值得注意的不是模型「又有几项没做好」，而是同一个判断能不能一直管用。短程导航成功率最高为 75.0%，路线一长，却跌到 0% 到 3.8%。遇到封路和行人后，问题更明显：模型大部分时间仍在路网上走，封路遵守率却只有 10.0% 到 46.7%，碰撞率达到 76.3% 到 90.0%。眼前知道该怎么做，不等于后面会一直照着做。
这也是「走两步，就忘了路」真正指向的地方，模型并非完全不会认路。前一刻作出的判断，常常管不到后面的动作。路线越长、途中变化越多，这种前后接不上的情况就越明显。
要看清问题出在哪，只靠单张图片或预设节点还不够。模型必须在一座连续的城市里自己走，研究者才看得到它从哪一步开始偏，又为什么没能绕回来。
为什么要在真实城市里做一场可重复的实验
真实城市里的机器人实验代价高，也很难让每个模型遇到完全相同的情况。UrbanGround 把这类测试搬进可以重复运行的城市沙盒。同一条路线可以一遍遍重跑，也能只改天气、封路或人流。机器人真正进入城市或园区前，研究者可以先找出它最容易在哪些地方走偏。
沙盒里的街景、三维几何和每一步动作彼此对得上。模型每走一步，下一帧画面都会按同一套城市几何更新。研究者因此能把每一步画面和动作一一对上，看到模型从哪一步开始走偏，又怎样越走越远。
论文、项目主页、代码和 App 都已公开。读者可以像玩开放世界游戏一样在香港街头行走，也可以接入自己的 Agent，看看它在真实城市结构里会怎么走。
© THE END
转载请联系本公众号获得授权
投稿或寻求报道：liyazhou@jiqizhixin.com
