英国规划记录通常以文字、附表、地图图版和边界标注等形式界定特定地理区域内的限制条件，但这类文档往往只提供间接的空间线索，而不是可直接被机器读取的边界数据。针对这一缺口，研究团队提出了Plan2Map——一个包含208个案例的多模态基准，用于评估系统能否仅依据原始规划文档重建出有效的地理空间边界。在该任务中，模型只能接触公告文本、附表、地图图版、地图标签和边界标注等信息，而作为评分依据的参考GeoJSON则被完全保留、不向系统公开，从而确保评测的公平性与真实性。
为应对这一挑战，作者同时提出了GeoPlanAgent系统。这是一种以文档为依据、将地理空间工具嵌入循环流程的智能体架构，它把复杂的边界重建任务拆解为若干可管理的子步骤：证据提取、定位、地图配准、边界分割、投影以及验证。通过这种分阶段的工具调用与校验机制，系统能够逐步从非结构化的规划材料中提炼出空间证据，并将其转化为规范的地理边界表示，而不是依赖视觉语言模型一次性直接生成结果。
在Plan2Map基准上的实验结果显示，GeoPlanAgent取得了0.736的平均IoU和0.904的中位数IoU，且67.8%的预测结果达到或超过0.8 IoU，显著优于直接将视觉语言模型输出转为GeoJSON的基线方法。诊断分析进一步揭示了性能差异的来源：直接由视觉语言模型进行预测仍然不够可靠，而剩余误差主要集中在定位与地图配准两个环节；此外，采用有监督的边界分割能够明显提升像素级掩码的质量。
该研究由Fabian Degen与Oishi Deb等共七位作者共同完成，两人贡献相同，论文于2026年6月1日提交至arXiv，属于计算机视觉与模式识别（cs.CV）以及人工智能（cs.AI）方向，编号为arXiv:2606.02747v1。作者指出，Plan2Map为基于公开规划记录的多模态地理空间重建提供了一个具体的测试平台，项目主页也已对外公布。总体而言，这项工作不仅给出了可复现的评测基准，也展示了将文档理解、地理定位与专业工具链结合起来的系统化路径，对规划信息自动化解析与地理空间数据生产具有参考价值。