利用多模态大语言模型在街区尺度评估 15 分钟生活圈：哪里有效，哪里失效，以及下一步做什么

《Habitat International》：Evaluating 15-minute life circles at block scale with multimodal LLMs: Where they work, where they fail, and what to do next

　　

•我们对街区尺度的15分钟生活圈评估开展多模态大语言模型（MLLMs）基准测试。
•一套协议化的5D框架将定量指标、定性评分与结构化推荐建议相互关联。
•更新代模型整体表现一致提升；"Thinking"模式有助于解释，但不提高准确率。
•MLLMs的排名与专家评价一致，但其定性评分范围有所压缩。
•上海市内环需要更好的微交通连接和密度平衡。

引言
在气候变化风险加剧、公共卫生冲击和城乡不平等扩大的背景下，城市治理重新将"日常生活服务圈"作为一项基础性且可操作的公共价值（Bruno等，2024）。在此转变中，"15分钟生活圈"（15-LC）——一个以近邻里可达性为核心的规划理念——迅速进入全球规划议程，并在不同情境的政策实践中得到制度化（Khavarian-Garmsir等，2023；Rahman等，2025）。该理念强调优化空间结构和服务供给，使居民能够在大约15分钟步行或骑行的范围内满足基本需求——工作、教育、医疗和休闲——从而降低对汽车的依赖并增强日常韧性（Moreno等，2021）。COVID-19大流行进一步凸显了本地服务可达性和"就近自足"的重要性，加速了这一范式的扩散和实施（D. Liu等，2024）。上海、香港、巴黎和米兰等城市随后将其纳入正式政策框架（Teixeira等，2024）。与此同时，空间数据基础设施和数字治理能力的提升，产生了更高频率、更低成本的评估生活圈的需求，以支持从问题检测到原因诊断再到策略制定的闭环治理流程（Long等，2024）。

评估15-LC的实施需要一个整合的、可比较的视角，同时考虑服务供给、空间结构和出行可达性（Carvalho等，2025；Khavarian-Garmsir等，2023）。在城市和社区尺度上，现有研究通常依赖GIS和网络分析，并应用步行或骑行时间阈值来量化15分钟内可达的关键设施的数量、类型和覆盖范围。这些指标随后被用于构建可达性或便利度指标（D. Liu等，2024）。设施数据集，通常以兴趣点（POIs）表示，是此类评估的核心输入。OSM等开放地理空间来源以及地图服务提供商的POI数据已被广泛用于表征设施分布的空间差异，并扩展到公平性和供需匹配分析（Rahman等，2025）。最近的研究进一步将此类评估推进到更精细的空间尺度和差异化的人口群体。例如，Lai等（Lai等，2025）在网格级别上评估了城市公共设施的空间公平性，而Ying等（Ying等，2026）利用人类移动数据研究了15分钟城市的不平等利用情况。在街区尺度上，文献逐步汇聚到5D建成环境框架，包括密度（Density）、多样性（Diversity）、设计（Design）、目的地可达性（Destination accessibility）和距公共交通距离（Distance to transit），以表征紧凑混合用地形态、步行性和与15-LC评估相关的公共交通导向条件（L. Chen等，2022）。最近的比较证据还突出了街区规模和路网结构对塑造15分钟生活圈表现的重要性（Y. Zhang等，2026），而最近的小区级和跨城市研究进一步表明，在城市可达性和宜居性评估中需要考虑多维建成环境条件、社会空间包容性和情境异质性（Ren等，2026；Y. Zhang, Luo, & Dai, 2025）。总体而言，数据和方法的进步显著降低了评估成本，并为更高频率、更精细的监测提供了技术基础（Abbiasov等，2024）。

尽管在更精细、更有差异化的15-LC评估方面取得了这些进展，但当评估用于治理导向的决策时，仍存在关键差距。近期研究大幅丰富了可达性、公平性、城市形态和利用分析，但将多维证据整合到统一的、可审计的街区尺度评估工作流中仍探索不足。首先，指标体系日益全面，但结果通常以离散输出形式报告。将多维结果整合为可审计、可比较的综合判断的统一组织框架和输出协议仍然有限。因此，指标间的权衡和结论综合仍然严重依赖专家经验。其次，生活圈评估不仅是一个计算任务，也是一个诊断和行动转化任务。在街区尺度上，关键张力常以单一指标无法完全捕捉的空间结构和模式表现出来，更难转化为可定位、可解释和可操作的更新建议。因此，核心挑战是在统一框架内将可计算的定量指标与可读的定性诊断相结合，并进一步生成可操作的、面向更新的策略。

多模态大语言模型（MLLMs）的快速发展为弥合指标计算、整合解释和可操作建议之间的差距提供了一条可测试的路径（Yin等，2024；Zheng等，2025）。与传统的先计算指标再依赖专家解释的工作流相比，MLLMs能够以统一方式处理图像和文本规则，识别空间元素和结构模式，并生成解释性叙述和策略建议。这提出了MLLMs可以作为评估智能体的可能性。近期研究已开始从不同角度探讨这一潜力。Zhao等开发了规划场景基准，以评估多模态模型在规划文本理解和空间推理方面的能力（Zhao等，2025）。Ki等将视觉推理应用于土地利用和路网地图来评估步行性，并表明模型可以捕捉某些传统计算机视觉流程难以表征的特征组合和设计细节（Ki等，2025）。Guo和Weng使用MLLMs进行遥感场景中的光伏识别和计数，并通过子任务分解和标准化输出实现了可复现的工作流（Guo & Weng，2025）。综合来看，这些研究表明MLLMs可能增强城市空间评估的可解释性和表达力。然而，在政策定义、边界不规则且结构复杂的街区尺度场景中，系统性基准测试仍然有限。许多评估仍集中于通用视觉问答或抽象地图任务，通常缺乏与真实规划对象紧密耦合的任务载体和可比较的评估协议（Roberts等，2024）。这引出了一个关键研究问题：我们能否构建一个与15-LC目标对齐的街区尺度整合评估框架，既支持定量真值比较又支持定性验证，并以此作为任务载体，系统评估MLLMs在规划评估中的能力、潜力和边界？

MLLMs的前景也伴随着关键不确定性。在多源地图证据和复杂边界下，模型能否稳定提取可计算量，并在尺度敏感指标上保持可靠？在定性方面，将多维证据整合为整体判断的过程是否可审计，评分和诊断结论是否与专家评价一致，生成的建议是否具有针对性和可操作性？此外，随着模型快速迭代和推理增强模式的引入，尚不清楚此类推理增强是否能在空间评估任务中带来可验证的收益。

为解决这些差距，本研究以政策定义的15-LC单元为评估对象，开发并验证了一个整合的街区尺度评估框架，并将其操作化为可测量、可比较的MLLM基准测试任务。以经典的5D建成环境框架为组织逻辑，我们定义了可从平面图证据中提取和计算的定量指标，并为每个维度定义了基于证据链的定性评分和面向更新的推荐建议。我们通过统一的输入编码和结构化的输出协议来约束模型的计算、解释和建议生成。在此基础上，我们使用跨提供商和跨代模型套件以及推理模式对比，对MLLMs作为评估智能体进行基准测试。我们进一步将该框架应用于上海市的官方15-LC单元，以在真实治理背景下展示性能，并为跨城市的标准化评估转移提供方法学基础。

本文其余部分组织如下。第2节描述研究区域和分析单元。第3节详细介绍评估框架、数据与输入编码、基准测试模型套件和评估指标。第4节展示定量基准测试、定性验证和上海市诊断应用。第5节讨论模型能力差异、推理模式效应和规划启示。第6节总结全文。

章节节选
研究区域与分析单元
上海是全球最早系统推进15分钟社区生活圈议程的超大城市之一。2014年10月，该概念在第一届世界城市日论坛中提出，随后在《上海2035总体规划》中正式确立，将生活圈定义为在约15分钟步行或骑行范围内提供的服务集合，涵盖教育、文化、医疗、养老、休闲以及就业创业机会。

技术流程
图2总结了在边界不规则的政策定义15-LC单元上评估和基准测试MLLMs的技术流程。该流程遵循五个步骤：空间数据标准化、多模态输入编码、5D任务协议规范、多模型推理以及评估与诊断应用。它将数据工程——包括空间标准化、语义地图渲染和尺度锁定——与提示工程——包括统一提示、固定图例——相结合。

跨模型整体定量表现
图6和图7总结了九种MLLMs在19项定量任务上的整体表现，并揭示了明显的能级分层。总体而言，Gemini模型表现最佳且最稳定，OpenAI（GPT）模型构成中间层，Qwen模型总体较弱且波动较大。综合使用容差准确率（TA）和中位绝对误差（Median NER），gemini-3-non-thinking取得最佳整体表现（TA = 0.682，Median NER = 0.138），其次为gemini-3-thinking

利用MLLMs推进15-LC评估
生成式AI的快速演变正在推动城市规划从传统的数字工具辅助转向人机协同推理。已有研究表明，LLMs在摘要、信息检索和内容生成等任务中提供了即时价值，人们越来越有兴趣将其扩展到规划评估、情景探索和决策支持等更高阶功能。与此同时，一个实际差距日益

结论
以上海市内环216个政策定义的15分钟生活圈（15-LC）单元作为真实世界测试平台，本研究开发了一个可审计、可比较的基于MLLMs的评估框架，将5D构念操作化为定量指标、定性评分和结构化推荐的统一协议。跨提供商、跨代和推理模式的基准测试得出三个关键发现：(1) 更新代模型带来一致的总体提升；(2) Thinking模式

CRediT作者贡献声明
吴涛：初稿撰写、验证、监督、方法论、数据整理、概念化。沈成：可视化、验证、软件。魏汝航：审阅与编辑、验证。李思颖：验证、软件。杨淑洁：审阅与编辑、验证、资源、数据整理。杨婷：监督、方法论、概念化。陈泽银：审阅与编辑、数据整理。吴志强：初稿撰写、项目管理。

利益冲突声明
作者声明不存在已知的可能影响本论文所报告工作的财务利益或人际关系方面的竞争利益。

致谢
本工作受中华人民共和国国家重点研发计划"十四五"项目支持（2022YFC3800205）。
吴涛|沈成|魏汝航|李思颖|杨淑洁|杨婷|陈泽银|吴志强