定位结果只有在你知道它为什么出现时才真正有用。与其重复上传同一张图片，不如控制变量，逐项隔离画面中的证据。
案例基线：画面到底提供了什么
完整画面同时包含高棉文字、Cambodia 与 Angkor 啤酒标识、醒目的 Pub Street 招牌、World Lounge Pizza、Cambodian BBQ、热带植被和狭窄餐饮街。这些线索共同强烈支持柬埔寨，并让暹粒成为主要城市候选；但它们的证明力并不相同，提到一项线索也不代表模型真正依赖了它。
核心判断
先保存原图的完整结果作为基线，包括候选地点、坐标、置信度和模型提到的线索。然后分别保留文字、建筑环境、自然环境，或只模糊最明显的地标。一次只改变一个变量，否则无法判断是哪项修改造成结果变化。
实际操作方法
为每个版本记录预测地点以及相对基线移动的距离。移除文字后城市改变，说明模型高度依赖文字；移除地标后跨国变化，说明它可能只识别了单个物体；两个独立裁剪结果指向同一区域时，才值得把该区域作为地图验证的优先候选。
逐项判断线索的证明力
- 高棉文字是最强的国家区分线索；Cambodia 啤酒进一步支持柬埔寨，但如果模型只是读出了国名，两者并非完全独立。
- Angkor 品牌会提高暹粒的可能性，但产品销售范围远超城市；Pub Street 容易搜索，却不是全球唯一名称。
- 两个不那么著名的商户名称更适合精确验证：只有它们在地图上与照片呈现相同顺序时，证明力才明显增强。
- 移除 Pub Street 后若城市从暹粒变成金边、国家仍稳定，说明国家证据强而城市证据主要依赖著名招牌。
保留空间关系，比单独识别文字更重要
照片中 World Lounge Pizza 更靠近相机，Cambodian BBQ 位于街道更深处。当前 OpenStreetMap 数据显示，它们距公开相机位置约 22 米和 57 米；这个前后顺序比任何一个名称单独出现都更能验证拍摄视角。过度裁剪会破坏道路宽度、路口形状和物体顺序，因此最终必须回到完整画面。
出现这些情况时应降低结论等级
- 不同小裁剪分别指向不同国家。
- 模型引用了画面中并不存在的文字或建筑。
- 候选移动数百公里，置信度却始终保持很高。
- 移除一个著名招牌后，城市结论完全崩溃。
- 地图中的固定物体顺序无法从候选视角复现。
边界与验证
裁剪也会破坏物体之间的关系，例如行驶方向、道路宽度、山脉朝向和海岸距离。因此裁剪用于诊断模型，不应自动替代原图。所有结果仍需与地图、街景或卫星图中的固定结构交叉验证。
资料来源
开始实际分析
如果你有一张需要调查的照片，可以先使用我们的AI 照片位置查找工具获得候选地点，再按照本文方法进行验证，不要把预测直接当成证据。