BF-30K

BF-30K 是由新加坡国立大学等机构构建的高质量多证据推理数据集，旨在缓解地理定位任务中的地标偏见。该数据集包含约30,000条样本，通过将图像分解为语义区域并组织地理基础分析，形成结构化的多证据推理链，数据来源于MP-16和GLDv2等大规模地理定位数据集，并经过跨模型验证和人工检查以减少推理错误。其创建过程涉及语义区域分解、结构化链构建和精细化验证，应用于地理定位领域，旨在通过证据驱动的联合推理解决模型过度依赖显著地标而忽略互补地理线索的问题，提升地理空间推理的鲁棒性和可靠性。BF-30K is a high-quality multi-evidence reasoning dataset constructed by institutions including the National University of Singapore, aiming to alleviate landmark bias in geolocation tasks. It contains approximately 30,000 samples, which are formed into structured multi-evidence reasoning chains by decomposing images into semantic regions and organizing geographic grounded analysis. The dataset is sourced from large-scale geolocation datasets such as MP-16 and GLDv2, and has undergone cross-model validation and manual checks to reduce reasoning errors. Its creation process involves semantic region decomposition, structured reasoning chain construction and fine-grained validation. Applied in the geolocation domain, BF-30K aims to solve the problem that models overly rely on prominent landmarks while ignoring complementary geographic cues through evidence-driven joint reasoning, thereby improving the robustness and reliability of geospatial reasoning.

原始信息汇总

数据集概述：HoloGeo / BF-30K

本页面介绍 HoloGeo 框架及其核心数据集 BF-30K，旨在通过证据驱动的推理减轻地理定位中的地标偏见。

核心问题：现有视觉语言模型在地理定位中过度依赖地标线索，忽略其他地理信息，导致地标偏见。

数据集关键信息：

• BF-30K：包含 30,000 条结构化多证据无偏见推理链的高质量数据集，用于训练模型进行证据驱动的联合推理。
• LandmarkBias-3K：包含 3,000 个诊断样本的基准测试集，样本中的地标线索不充分、模糊或具有欺骗性。

方法：

1. 构建 BF-30K 数据集，包含结构化的多证据推理链。
2. 使用监督微调（SFT）和基于 GRPO 的多维奖励（地理定位准确性、视觉定位、综合逻辑推理）训练视觉语言模型。

关键指标：

• 在 LandmarkBias-3K 基准上，城市级别准确率达到 27.27%，比 Qwen2.5-VL-7B 提升 +10.44%。
• 在标准基准（IM2GPS、IM2GPS3K、YFCC4K）上保持或提升了性能，例如在 IM2GPS 上城市准确率为 47.3%、区域准确率为 60.3%。

数据集构建与评估：

• LandmarkBias-3K 构建：将图像分解为原始、仅地标和无地标三种视图，通过 BI（偏见强度）和 BH（偏见危害性）两个指标选取对偏见敏感的样本。
• 全球覆盖：图像来源自大规模地理定位数据集，具有广泛的地理覆盖范围。
• 地标类型分析：模型在 landform、cultural cues、architecture、vegetation 等多种地标类型上均获得提升（见页面内 Landmark type breakdown 表格）。

相关资源：论文、代码、数据集和模型检查点已公开发布。

搜集汇总

数据集介绍

构建方式

BF-30K 数据集基于 MP-16 和 GLDv2 两个大规模地理定位数据集构建。首先，通过 GroundingDINO 检测图像中的关键视觉区域，并利用地理语义过滤器筛选出具有判别性地理线索的区域。随后，借助 Qwen2.5-VL-72B 和 ChatGPT-o3 等大视觉语言模型，对这些区域进行独立分析与多证据推理链的标注，形成从区域特征到最终地理位置的完整逻辑路径。最后，经由 InternVL3-78B 的跨模型验证与人工抽检，剔除存在幻觉或逻辑矛盾的样本，确保数据质量与推理可靠性。

使用方法

BF-30K 主要用于训练面向地理定位的视觉语言模型，旨在提升其抗地标偏差能力。使用时，模型需依照 <Analyze>、<Think> 和 <Answer> 的三段式结构输出推理过程：先独立分析各区域的地理线索，然后综合多证据进行逐步推理，最后输出具体的国家和城市预测。该数据集可配合监督微调与基于 GRPO 的强化学习两阶段训练范式，结合定位准确率、视觉证据覆盖率和逻辑推理质量等多维奖励信号，引导模型实现均衡的多线索融合推理。

背景与挑战

背景概述

BF-30K数据集由新加坡国立大学、山东科技大学及牛津大学的研究人员于2026年联合创建，旨在解决视觉地理定位中地标偏差这一核心研究问题。该数据集包含约3万张高质量图像，每张图像均配有结构化、多证据的无偏推理链标注，覆盖从地物特征分析到多源证据融合的完整逻辑路径。基于MP-16与GLDv2两大公开地理定位数据集，BF-30K通过严格的过滤、多模态大语言模型标注与跨模型验证流程构建而成，为HoloGeo框架提供了可靠的训练支撑。该数据集的提出填补了现有地理定位数据集缺乏系统性偏差思考的空白，推动模型从对单一显著地标的过度依赖转向基于均衡多线索的稳健推理，对提升视觉地理定位的可解释性与鲁棒性具有重要示范价值。

当前挑战

BF-30K所面对的挑战集中于两层面：在领域问题层面，现有视觉语言模型在地理定位推理中普遍存在地标偏差，即过度依赖视觉上显著的地标线索，忽略植被、地貌、气候等互补性地理特征，当相似地标在不同位置出现时极易产生误导性预测。即使在生成可解释推理轨迹的系统中，也缺乏明确的证据可靠性校准机制，导致推理过程看似合理实则缺乏稳健性。在构建过程中，挑战主要来自三方面：其一是如何从大规模网络爬取数据中筛选出具有有效地理信号而噪声极少的图像，避免特写、对象无信息及重复样式带来的干扰；其二是设计通用的多VLM协同标注流水线，确保每个细分区域的独立分析及多步推理链的逐步融合，防止单一模型偏见在标注过程中传播；其三是通过跨模型验证与人工抽检进行多维质量校验，消除推理链中的幻觉表达、逻辑矛盾与地名错误，产出平衡覆盖地标偏差与非地标场景的高质量训练数据。

常用场景

经典使用场景

BF-30K数据集专为地理定位任务中地标偏差的缓解而设计，其最经典的使用场景是作为训练数据，驱动基于证据推理的视觉-语言模型（如HoloGeo）进行多线索联合推理。该数据集通过将图像分解为语义有意义的区域，组织结构化多证据推理链，引导模型从对单一显著地标的过度依赖转向对多样化地理线索的均衡关注，从而在复杂视觉环境中实现更鲁棒的地理位置推断。

解决学术问题

BF-30K数据集系统性地解决了图像地理定位中地标偏差这一核心学术问题，即模型因过度依赖显著地标而忽视互补地理线索，导致在模糊或误导性地标场景下产生不可靠预测。通过提供无偏的多证据推理链监督，该数据集使模型能够学习校准证据可靠性、抑制单线索主导，并提升逻辑推理的一致性。其意义在于首次为地标偏差的定量分析与缓解提供了标准化训练资源，推动了地理定位从黑盒预测向可解释、多证据驱动的推理范式转变。

实际应用

在实际应用中，BF-30K数据集支撑的地理定位模型可广泛部署于自主导航系统，通过融合建筑风格、植被、气候等多维度视觉线索，在缺乏明确地标或地标易混淆的郊区、自然景区等场景中稳定定位；亦可赋能社交媒体地理标记与灾害应急响应，在图像内容包含复杂时空背景时（如灾后废墟、非典型景观）实现高精度位置推断，从而提升辅助决策与资源调度的可靠性。

数据集最近研究

最新研究方向

针对地理定位任务中地标偏见的系统性度量和缓解策略成为当前研究前沿。BF-30K作为首个结构化多证据无偏推理链数据集，通过设计偏置强度与偏置危害性两种定量指标，揭示了视觉语言模型过度依赖显著性诱发错误推理的深层机理。该数据集推动了从黑盒预测向可解释证据驱动推理的范式转型，其所支撑的HoloGeo框架在挑战性地标偏置基准上实现27.27%的城市级精度，为构建鲁棒型地理空间推理系统提供了关键基准与训练范式。

相关研究论文

• HoloGeo: Mitigating Landmark Bias in Geo-localization via Evidence-Driven Reasoning

  新加坡国立大学; 山东科技大学; 牛津大学 · 2026年