UrbanGround：MLLM 智能体如何在真实尺度城市中从局部感知走向空间行动

研究者提出 UrbanGround，一个基于香港全境 3D 地理空间数据构建的城市沙盒，让 MLLM 智能体通过第一人称观察和交互地图执行从局部问答到长程导航的任务。测试显示，智能体在视觉识别和短距离空间推理上具备可用的原子能力，但方向感和行人感知移动仍不可靠。核心失败出现在长时程探索中：局部能力无法组合成持续的目标导向行为，错误不断累积且缺乏有效纠正。