城市尺度的三维视觉定位，长期被做成先生成实例候选、再让模型排序的流程。候选一旦覆盖不全，或场景大到提案成本过高，整条链路就会卡住。Urbex 把定位改写成智能体在交互式多视图环境里的主动空间搜索：视觉语言模型查询地标、放大局部、渲染斜视视角，最后提交接地的三维包围盒。它针对的不是打分函数微调，而是候选依赖本身。
从候选排序到工具调用
传统城市级三维定位依赖预先算好的实例提案，在大型室外场景里既慢又脆。Urbex 把城市场景表示成可交互的多视图环境，允许视觉语言模型智能体查询地标、缩放到局部、渲染斜视视角，再提交包围盒。这条路径不依赖真实标注框作为候选，因此可以做无候选定位。工具使用策略在 CityRefer 上用强化学习优化，奖励包含平滑定位项，以及引导高效探索的轻量塑形奖励。材料未展开网络结构与工具接口，能确认的是：一次前向打分被换成可学习的工具调用策略。
评测目前能确认的
实验表明，Urbex 在 CityRefer 上取得最好的 Hit@1 与交并比，并明显快于最强的城市级排序基线。在 STPLS3D-Refer 上的零样本结果，被用来支持跨场景鲁棒性有所提升。摘要未给出具体分值、加速倍数或失败案例，「最好」只应读作论文内的对比结论。更值得记下的是设定：不必先准备候选框，也能完成城市级定位。
我的判断
价值在于把大规模室外定位从离线提案加排序，改成可学习的探索过程，更接近先看全局、再靠近确认的工作方式。适用边界清楚：必须有可查询、可缩放、可渲染斜视的多视图城市环境，以及能稳定调用这些工具的视觉语言模型；没有这类接口，方法落不了地。局限同样直接。工具调用次数、卡点位置和具体指标，摘要都未提供；跨场景结论只建立在单一零样本数据集上，外推需保守。对做三维城市理解的人，这是一条值得跟进的智能体路线，但还不宜当成可对标的系统卡。