ChatGPT能识别照片拍摄地点吗？实测结果告诉你

2025 年 4 月，X 上流行起一种新玩法：人们把餐厅菜单、街角、自拍等各种照片上传给 ChatGPT，问它这些照片是在哪里拍的。当时 OpenAI 刚发布了 o3 和 o4-mini，这两个模型在推理时可以对图片进行裁剪、旋转和放大。TechCrunch 报道称，尤其是 o3，能够从细小的视觉线索中推断出城市、地标，甚至具体的餐厅和酒吧，并把这股风潮称为“反向位置搜索”。

此后，这个技巧得到了更严谨的检验，其中最有价值的是开源调查组织 Bellingcat 的测试：他们用从未上过网的照片做了 500 次测试。本文梳理这些测试的发现：ChatGPT 能接近真实位置到什么程度，它与 Google Lens 和其他聊天机器人相比如何，什么时候它读取的并不是像素，以及它在哪里会出错。

模型读取场景的方式与训练有素的地理定位者相似：路牌上的文字、道路标线、建筑、植物、山丘的形状。AI 地理定位的原理对这个过程做了总体说明。聊天机器人的新意在于，它们会把推理过程说出来、放大细节，并且能在这个过程中搜索网页。

开发者 Simon Willison 给 o3 看了一张照片，拍摄于他家附近、加州 El Granada 的一家露天酒吧：一条路、一栋毫无特色的房子和几座小山。它花了将近七分钟反复裁剪和放大，发现了一块加州车牌，第一次猜的是约 200 英里外的 Cambria。第二次猜测是 Half Moon Bay 或 El Granada，这次猜对了。

TechCrunch 自己的测试结果则好坏参半。给 o3 看一张昏暗酒吧里挂着的紫色犀牛头标本，它正确判断出这是威廉斯堡的一家地下酒吧，而较早的 GPT-4o 猜的是英国的一家酒馆。不过，GPT-4o 多数时候也能得出与 o3 相同的正确答案，而且更快，另外还有好几次测试彻底失败。

Bellingcat 给每个模型的提示词都一样：“Where was this photo taken?”（这张照片是在哪里拍的？），所用照片不带任何元数据，并对每个答案按 0 到 10 打分。10 分表示准确而具体的识别，例如精确到某个街区、某条步道或某处地标。下表列出了它公布的其中五项测试。

所以典型的结果是一个地区或一座城市；只有当照片自己交出了名字或地址时，才能得到确切的地点。这是任何视觉方法的上限：一个场景能支撑起的是一个区域，而要定位到一个点，需要清晰可读的文字或 GPS 数据。

它们做的是不同的事。Google Lens 是查找：它在网上找相同或相似的图片，所以在一个地方被拍过很多次时表现最好。给它看德国黑森林里的施吕希湖（Schluchsee），Lens 把它排在了第一位，而 ChatGPT 是唯一说出这个名字的聊天机器人。在城市里，Lens 往往死盯着大型、常见的建筑，比如楼房和摩天轮。查找这一侧的内容，见 Google Lens 与 Yandex 的对比。

想得更久并不总是更有用。ChatGPT Deep Research 在一张海岸线的照片上花了将近 13 分钟，最后落在其以北约 50 公里处，而 o4-mini-high 只用 39 秒就给出答案，还近了 15 公里。更新的模型也不一定更好：在 8 月的复测中，每月 200 欧元的 GPT-5 Pro 并不比更早的 o4-mini-high 强。2026 年的一项基准测试在更新的模型上发现了同样的规律。

EXIF 是相机或手机写进照片文件里的隐藏数据，在定位功能开启时还包括 GPS 坐标（EXIF 信息都记录了什么）。上传之后它能不能保留下来，情况并不一致。在 Patterson 2025 年 4 月的浏览器测试中，o3 看到的标签是空的，直到他把照片放进 zip 压缩包里上传。Willison 后来提到，有位 Hacker News 用户反映 o3 曾用代码读取照片的 EXIF 标签却没有承认，尽管这一步在它的推理过程中是看得到的。

所以先想清楚你要知道什么。如果想查出照片的拍摄地点，先自己读取它的 GPS 坐标，因为实测的位置胜过任何猜测。如果想看看仅凭像素能暴露多少信息，就改测一张截图，截图不带原图的位置信息（为什么截图里没有 GPS 数据）。

Willison 两种情况都遇到了。他发现自己“必须先关闭 ChatGPT 的所有记忆功能，否则它会作弊，利用我之前对话里的上下文”，后来又发现 o3 大致知道他在哪里：“它知道我在 Half Moon Bay。”不过这个技巧在他拍摄于马达加斯加乡村和布宜诺斯艾利斯的照片上依然有效，那些地方离家有几千英里。他试用 Gemini 时，它的回答是这样开头的：“鉴于我当前的位置上下文是加利福尼亚州 El Granada……”

想得到公平的答案，请在发送照片之前先开启一个临时聊天，并选择“Unpersonalized”（非个性化）。OpenAI 表示，这个选项不会使用记忆、自定义指令或插件。它是一个关于记忆的设置，而不是关于位置的设置：ChatGPT 仍然可能根据你的 IP 地址估计你在哪里，所以如果它的猜测恰好落在你自己所在的城镇，就问问画面里到底是什么指向了那里。

Bellingcat 的一张照片拍的是一处海滩，上面有一家大酒店和一架临时搭建的摩天轮，这架摩天轮 2024 年架起，冬季拆除。许多模型指向了斯海弗宁恩（Scheveningen），那是荷兰一个更有名的度假胜地，那里也有自己的摩天轮。在 8 月的复测中，GPT-5 Pro 和 GPT-5 Thinking 把它定位到了法国。Google AI Mode 是第一个说出正确城镇的模型：荷兰的诺德韦克（Noordwijk）。

• 坐标。 Bellingcat 发现，模型给出的坐标常常很粗略，甚至干脆就是错的。一个有名字的地点，比一枚图钉更容易核对。
• 缺乏特征或室内的照片。 画面里信息太少时，一个自信的答案，只是配了个数字的猜测。没有 GPS 数据时如何找到位置说明了一个场景需要具备哪些内容。
• 发生过变化的地方。 季节性的游乐设施、新建的楼房和关门的商店，都可能把模型引向一个更有名的相似地点。
• 视频。 Bellingcat 指出，大多数聊天机器人看不了视频，所以给一段视频定位仍然要从静态画面开始。

TechCrunch 在 2025 年说得很直白：没有什么能阻止别人给某人的 Instagram 快拍截图，再用 ChatGPT 试着对他“人肉”，而且针对这种“反向位置查询”似乎几乎没有保护措施。几个小时后，OpenAI 回应称，这些模型在无障碍、研究以及“紧急响应中识别位置”等领域有帮助，并且会监测是否有人滥用其关于隐私的使用政策。

各个模型愿意作答的程度不同。在一项针对加州各地 500 张照片的学术研究中，OpenAI 的 o3 对其中 81% 给出了具体、可核查的位置，Gemini 2.5 Pro 为 85%，而 Claude 模型大约只有四分之一或更少。同一项研究还测量了这些答案落在真实地点附近的频率，至于这对在家里拍的照片意味着什么，我们另有专门的指南。

GeoSpy 会根据画面中可见的内容，估算照片显示的城市和国家；如果文件仍带有 GPS 数据，它会读取这些数据，并显示记录下来的地点。它从不返回街道地址，上传的照片也不会被保存。在 geospys.com 上，它包含在 GeoSpy Premium 中，这是一个订阅服务，每周 7.99 美元或每年 29.99 美元（在土耳其为 ₺389 或 ₺1,460），在合理使用范围内不限次数，并且可随时取消。开始年度订阅，也可以试试 GeoSpy 的 iPhone 应用，它有免费试用。