四十年原始卫星档案交给多模态智能体：领先模型能算完多数分析，却在地表变化制图上失手
核心概要
EarthRecord把56个站点、1984至2026年的Landsat、MODIS、VIIRS与Sentinel-2原始档案直接交给多模态智能体，云掩膜与跨传感器协调都不预处理，共设238个土地变化问题。十二个模型中，四个领先者在226个可计算与识别问题上三遍全对的比例为81.0%至85.4%；六个领先模型在直接由记录变量计算的问题上达92.0%，在需要从影像制图的问题上降到61.1%。在仪器对照中，原本正确的答案有53.5%随被改动的卫星数据转向错误。
深度剖析
土地变化分析第一次被放到按原始分发形式给出的多年代、多传感器卫星档案上评测，智能体要自己完成选数据、云掩膜、定标与跨传感器协调。 此前的视觉语言与遥感基准多在整理好的影像上提问，地球观测智能体基准则提供预处理输入、短期任务或专用取数工具，不涉及土地变化分析起步处的原始档案。 基准覆盖56个站点，其中48个为边长10至30公里的核心区、8个为行政区，核心区跨六大洲与全部五个Köppen气候组，记录截至2026年9月30日，核心区Landsat场景中位数为1101景。
领先智能体能端到端跑完多数分析，瓶颈落在从影像读出变化这一步，而不是在档案上写代码。 六个领先模型在直接由记录变量计算的问题上三遍全对率为92.0%，在需要从影像制图的问题上只有61.1%；同一模型同一任务下，制图题答对的几率是计算题的0.31倍，95%区间为0.14至0.66。 在226个可计算与识别问题上，Opus 5.5、GPT-6 Sol、GPT-6.1 Sol与Sonnet 5.5的三遍全对率为81.0%至85.4%，区间互相重叠；18个没有任何模型答对的问题中有15个需要制图。
记录把答案从先验知识推向像素，但还没有推到地面真实变化：改动一颗卫星的数据，正确答案会跟着改动走。 在仪器对照中，原本三遍全对的案例有53.5%在改动后变错，91%改变方向的答案朝改动方向移动；安慰剂对照只移除5%的晴空场景，答案仅在12%的案例中改变。 22对仪器对照全部使用可计算问题，其中21对把一颗卫星2018年后的数值缩放，20对幅度至多20%、1对为5%，另一对用Landsat 7场景替换2013至2017年的Landsat 8；在变错的运行中只有3.5%把断点归因于仪器。
启示与展望
评测限定在56个站点、238个问题与截至2026年9月30日的记录，运行环境为仅用CPU、4核与24GB内存的离线容器，每次运行限3600秒与300条消息。仪器对照只覆盖22对可计算问题，且每对改动都能通过与同期卫星比较被发现。
记录对识别类问题的帮助有限，四个模型带记录时反而低于闭卷；在著名区域，闭卷得分55.9而带记录为50.0。去掉图像工具后，三个领先模型在73个识别问题上的得分只变化一到四个问题，差异不显著。部分智能体在需要制图的识别问题上大量提前弃答，而它们作答时正确率可达85%至98%。