Cet article évalue les capacités de traitement de l'information géospatiale de deux grands modèles de langage (MLL), GPT-4o et Gemini 2.0 Flash. À travers trois tâches géospatiales (géocodage, estimation d'altitude et géocodage inverse), nous analysons leurs performances pour estimer les coordonnées de la colonne Sainte-Anne à Innsbruck, en Autriche, l'altitude de l'ensemble du territoire autrichien et l'identification des États autrichiens à l'aide de ces coordonnées. Par conséquent, les deux modèles ont présenté des erreurs systématiques et aléatoires, et ont notamment montré une tendance à sous-estimer l'estimation d'altitude. Dans la tâche de géocodage inverse, Gemini 2.0 Flash a montré une précision supérieure à celle de GPT-4o, mais les deux modèles ont présenté des erreurs significatives dans l'identification des États autrichiens. Par conséquent, bien que le LLM puisse traiter approximativement l'information géographique, sa précision et sa fiabilité ne sont pas constantes ; il doit donc être affiné à l'aide d'informations géographiques pour une utilisation en SIG et en géoinformatique.
