Google випустив фреймворк Earth AI з інтерфейсом Agent-to-Agent та просторовими бенчмарками

Винесення просторової обробки за межі контекстного вікна. Універсальні мовні моделі зазнають невдачі під час аналізу супутникових даних через швидке вичерпання лімітів контексту важкими растровими шарами. Агент Geospatial Reasoning від Google вирішує це завдяки етапу попереднього планування та ізольованому робочому простору. Агент спочатку формує аналітичний план і перевіряє покриття джерел, а безпосередню обробку шарів GeoJSON виконує поза контекстом моделі, повертаючи в діалог лише агреговані таблиці чи векторні дані. ### Інтеграція через API Agent-to-Agent. Google відкриває ранній доступ до інтерфейсу Agent-to-Agent (A2A), який дозволяє підключати модульні навички до власних контурів на базі Gemini. Інженери можуть поєднувати власні дані у форматах CSV, GeoJSON або хмарних таблицях із базовими моделями Earth AI, такими як WeatherNext, Flood Forecasting та PDFM. У практичних тестах поєднання супутникових ембедінгів із демографічними даними підвищило точність прогнозів на 12% та забезпечило у 8 разів вищу просторову деталізацію. ### Відкриті бенчмарки GeoKTools та GeoExpertQueries. Для стандартизації тестування агентів Google опублікувала спліти двох нових бенчмарків. GeoKTools перевіряє точність детермінованого вибору від 1 до 4 інструментів для конкретного запиту. GeoExpertQueries оцінює відкриті багатокрокові сценарії в задачах ліквідації криз та охорони здоров'я. Результати показали, що хоча базова LLM набрала 93,6% на бенчмарку UnivEARTH завдяки відкритим вебресурсам, спеціалізовані просторові обчислення вимагають обов'язкового модульного планування та зовнішніх інструментів.