본 논문은 지구 관측(EO) 및 기후 모니터링 워크플로 자동화에 잠재력이 큰 지리 공간 부조종사(Geospatial Copilots)가 GPT-4o와 같은 대규모 모델에 의존함으로써 지속 가능성 연구를 위한 도구가 지속 불가능한 비용을 초래하는 역설을 제기한다는 점을 지적합니다. 지리 공간 응용 프로그램에서 에이전트형 AI 프레임워크를 사용하면 API 요금으로 수천 달러가 발생하거나 배포를 위해 비용이 많이 들고 전력 소모가 많은 GPU가 필요하여 연구원, 정책 입안자 및 NGO에 장벽을 만듭니다. 본 논문에서는 상태 기반 LLM 추론이라는 새로운 패러다임을 활용하여 작업 진행을 도구 호출과 분리하는 도구 지원 지리 공간 에이전트인 Geo-OLM을 제시합니다. 이 방법을 통해 저자원 OLM이 지리 공간 작업을 더 효과적으로 완료할 수 있게 됩니다. 7B 미만 매개변수의 소규모 모델로 축소했을 때, Geo-OLM은 성공적인 쿼리 완료율에서 기존 최고의 지리 공간 기준선보다 32.8% 더 나은 성능을 보입니다. 본 논문의 방법은 GPT-4o의 결과 10% 이내의 결과를 달성하면서 추론 비용을 500~1000달러에서 10달러 미만으로 두 자릿수 감소시키는 독점 모델과 비슷한 성능을 발휘합니다. 지리 공간 다운스트림 벤치마크를 사용한 심층 분석을 통해 실무자가 EO 애플리케이션에 OLM을 효과적으로 배포하는 데 도움이 되는 주요 통찰력을 제공합니다.
