NVIDIA：SpatialClaw 以代码作为智能体空间推理的操作界面 让AI拥有精准空间感

SpatialClaw 是一种为视觉语言模型（VLM）设计的开源框架，旨在通过改进“动作接口”来增强人工智能的空间推理能力。该研究由 NVIDIA 等机构合作完成，针对现有模型在处理 3D 或 4D 复杂任务（如距离测量、运动分析）时表现不佳的问题提出了解决方案。与传统的单次代码执行或受限的工具调用不同，SpatialClaw 建立了一个持久化的 Python 内核，允许智能体逐步编写代码、观察结果并动态修正策略。实验表明，这种基于代码的交互模式让智能体能灵活组合数学库（如 NumPy、SciPy）与感知工具，在 20 个空间推理基准测试中显著超越了现有基准。其核心优势在于任务自适应的组合能力，使模型能够像人类一样通过验证中间步骤来解决复杂的几何问题。