@HuggingPapers: SpatialClaw NVIDIA 发布一个无需训练的空间推理智能体，以代码作为交互接口。VLM 编写 P…
摘要
NVIDIA 推出 SpatialClaw，一个无需训练的空间推理智能体，利用 VLM 在持久化内核中编写 Python 代码，组合感知工具，并修订计划，在20项基准测试中超越先前智能体 +11.2 分。
查看缓存全文
缓存时间: 2026/06/17 19:58
SpatialClaw
NVIDIA 推出了一款无需训练的空间推理智能体，将代码作为其动作交互界面。视觉语言模型（VLM）在持久化内核中编写 Python 代码，组合感知工具，检查结果，并修订计划——完全无需微调。在 20 个基准测试中较此前智能体提升 +11.2 分。https://t.co/MJH98obV52
相似文章
SpatialClaw: 重新思考智能体空间推理的动作接口
SpatialClaw是一个无需训练的框架，它采用代码作为动作接口，使视觉语言模型能够进行灵活、有状态的空间推理，在多种3D/4D空间推理任务上取得了卓越性能。
@dair_ai: https://x.com/dair_ai/status/2068724104815890889
重点介绍近期三篇AI论文：SpatialClaw（通过代码实现无需训练的空间推理），SkillWeaver（组合式技能路由，采用分解-检索-组合流水线），以及PreAct（将智能体运行编译为快速状态机，用于重复任务）。
@Phoenixyin13: 英伟达的SpatialClaw新鲜出炉。 这个框架，直接可以让 VLM 在持久的 Python 环境里一步步写代码，像 Jupyter 一样慢慢来。从调用 SAM3 看东西，算深度、用 NumPy、SciPy 处理数据、实时看结果，不行就…
英伟达推出了SpatialClaw，一个基于代码的免训练代理框架，用于复杂视觉空间推理任务，在20个基准上平均达到59.9%，比之前最佳模型高11.2分。
VisualClaw: 面向物理世界的实时个性化智能体
VisualClaw是一种自我进化的多模态智能体，通过混合编码和技能进化降低部署成本，同时在多个基准测试中提高了视频问答的准确性。
SpatialAct: 探索VLM智能体在3D场景中的空间推理到行动的能力
SpatialAct是一个新的基于模拟器的基准，用于探索VLM智能体是否能在多轮反馈设置下进行连贯的空间推理并将其转化为3D环境中的行动。实验揭示了一个显著的推理到行动差距：当前的VLM尽管在孤立推理任务上表现良好，但难以维持空间信念并产生可靠的行为。