冻结视觉语言模型数到五个就饱和：GeoScope按实测计数上限切分视图，免训练提升超高分遥感问答
核心概要
超高分遥感问答长期默认：只要选对视野，视觉语言模型给出的计数和方位就可信。GeoScope把冻结模型当作需要标定的传感器，先测出它在单视野内可靠计数的上限（DOTA航空影像上多数模型约为五个目标），只对超过该上限的视野切分，方位则由接地框显式计算。免训练条件下，它把Qwen3-VL-8B在XLRS-Bench区域计数和空间关系上分别提高16.3和10.5分，在UHR-Micro全局与区域计数上提高16.8和36.2分。
深度剖析
超高分遥感问答的瓶颈从“看哪里”转向“何时不能相信模型在所选视野里的读数”：八个开放视觉语言模型在单视野目标数超过各自计数上限后系统性少计，多数模型在DOTA航空影像上约为五个目标。 此前的免训练方法通过缩放搜索、图块检索、注意力跟随或证据选择来决定视野，并默认选定视野后模型给出的计数与方位可信；在MME-RealWorld遥感的方位、颜色、计数三类中，计数对每个报告全部三类的方法都是最弱的一项。 在DOTA裁剪块上，Qwen3-VL-8B在五个目标以内误差保持在15%以内，超过后转为系统性负偏差，160个目标以上低至约60%；256像素裁剪放大三倍时到160个目标仍保持在21%以内，而2048像素原生分辨率裁剪在每个目标数上都少计。
GeoScope让冻结的纯文本语言模型只根据问题写出带类型的空间程序，固定区域及其分辨率，视觉语言模型只在自身工作范围内接地和计数，方位由接地框用方向关系矩阵计算。 此前的切分计数方法要么依赖训练过的计数器，要么只切分一次；GeoScope依据冻结模型实测的计数上限决定是否切分，并用幂律响应模型预先估计一次切分能挽回多少少计、又会引入多少虚假计数。 在XLRS-Bench留出测试集上，GeoScope把Qwen3-VL-8B的区域计数从47.50提高到63.75、空间关系从33.50提高到44.00，MME-RealWorld计数从25.18提高到36.60；在UHR-Micro上全局计数提高16.8分，其中15.6分来自细分。
启示与展望
演示范围是航空与无人机影像上的区域计数、空间关系和目标计数，计数上限在DOTA裁剪块上测得并用于全部骨干与数据集；位置与颜色问题仍交给冻结骨干回答，土地利用、异常与环境推理、路径规划和变化问题不在程序语言覆盖范围内。
幂律响应模型是描述性拟合，在160个目标以上预测的放大倍数明显低于实测，因为切分后的子视野会显出父视野中看不清的目标；计数上限随视野大小、目标表观尺寸和影像来源变化，在FAIR1M、DIOR和VisDrone上出现得更晚。