EO-Gym：地球観測エージェント向けのマルチモーダルでインタラクティブな環境

要旨: 地球観測（EO）分析は本質的にインタラクティブです。不確実性を解消するには、関心領域を拡張し、過去の観測を取得し、さらに光学や合成開口レーダー（Synthetic Aperture Radar）などの複数のセンサーをまたいで切り替える必要があることがしばしばあります。しかし、ほとんどのEOベンチマークでは、このプロセスを固定入力の単一ターン課題に集約しています。このギャップに対処するために、我々はEO-Gymを提案します。これは、マルチモーダルでツールを使用するEOエージェント向けの制御可能な実行可能フレームワークであり、EO分析をGymnasiumスタイルのローカル地理空間ワークスペースとして定式化します。さらに、このワークスペースは、位置・時刻・センサー種別でインデックスされた660k超のマルチモーダルファイルに裏打ちされており、6つのタスクファミリーにまたがる35のEO専用ツールを備えています。この環境に基づいて、9,078本のトラジェクトリと34,604の推論ステップからなるベンチマークであるEO-Gym-Dataを構築します。これは、8つの公開EOデータセットと、LandsatおよびSentinel-2の画像を組み合わせて基礎付けています。10個のオープンおよびクローズドのVLMを評価したところ、強力な汎用モデルであっても、特に時間的およびクロスモーダルなワークフローにおけるインタラクティブなEO推論は依然として難しいことが分かりました。参考となるベースラインとして、EO-Gym-Data上でQwen3-VL-4B-Instructをファインチューニングして得られたEO-Gym-4Bは、主な評価設定において全体のPass@3を0.49から0.74へと改善します。O-Gymは、インタラクティブなEOエージェントのための再現可能な環境を提供し、EOを、地理空間・時間・センシングのモダリティをまたいだ計画を必要とする「証拠収集問題」として実運用可能な形で具現化します。