Urbex：面向城市级 3D 场景的智能体空间定位框架

Urbex 是一个智能体视觉语言框架，将城市级 3D 定位从候选排序改为主动空间搜索，让 VLM 智能体查询地标、缩放局部区域、渲染斜视图并输出定位框。该框架在 CityRefer 上取得最佳 Hit@1 和 IoU，无需预计算候选实例与真值框，速度显著快于最强的城市级排序基线，并在 STPLS3D-Refer 上展现出更好的零样本跨场景鲁棒性。