S-Agent 2.0 結合通用程式代理與空間感知工具提升推理準確率

研究在做什麼

空間推理要求模型計算物體在 3D 空間中的位置、相互關係及移動方式。近期 Agentic VLMs（具備代理能力的視覺語言模型）透過讓模型主動使用 3D 感知工具收集證據，而非單次回答，在此類任務上帶來大幅改進。然而，即使工具提供了正確證據，模型仍常無法得出正確答案，顯示從原始讀數到可用結論之間存在落差。Ropedia 提出 S-Agent 2.0，旨在填補這一落差，讓現有的通用程式代理能更有效地解釋空間資訊。 Hugging Face 每日精選論文

方法

S-Agent 2.0 的核心設計是為通用程式代理配備一個命令行感知工具包，並圍繞「幫助 VLM 閉合證據迴路」的原則設計介面。這包括三個步驟：獲取場景證據、在持久化的場景記憶中儲存證據，以及用平實的空间語言解釋每次讀數。這種設計保留了程式代理的靈活性，同時確保所有操作都基於工具的幾何數據。該系統可跨不同通用程式代理框架運作，例如 Codex 和 Claude Code。 Hugging Face 每日精選論文

結果

在 MMSI-Bench 和 ReVSI 基準測試中，該工具包顯著提升了模型表現。對於開源模型 Qwen3.8-27B，加入工具後在 MMSI-Bench 提升 13.9 分，在 ReVSI 提升 20.5 分；對於閉源模型 Gemini-3.8-Flash，則分別提升 11.2 分和 9.6 分。使用 Qwen3.8-27B 作為基礎模型時，S-Agent 2.0 在 MMSI-Bench 達到 66.5 分，在 ReVSI 達到 82.3 分，高於使用相同基礎模型的專用系統 SpatialClaw（分別為 62.6 分和 74.5 分）。使用 Gemini-3.8-Flash 時，S-Agent 2.0 達到 74.1 分和 90.5 分，高於其無工具狀態的 67.0 分和 79.7 分。 Hugging Face 每日精選論文

隨著基礎模型能力增強，工具帶來的增益會縮小，但 S-Agent 2.0 的增益縮減幅度較小。在 ReVSI 測試中，SpatialClaw 的增益從 +13.2 大幅縮減至 +2.7，而 S-Agent 2.0 的增益則維持在 +9.6。 原文

程式碼與資料

本站 2026-10-25 整理（資料來自 Hugging Face 論文頁與 GitHub，由程式查詢，不經模型撰寫）：

• 研究機構（Hugging Face 標示）：Ropedia
• 程式碼：Ropedia/S-Agent-2.0｜29 顆星｜最後更新 2026-10-21｜授權 Apache-2.0
• 專案網頁：https://ropedia.github.io/S-Agent-2.0
• 模型與資料集：Hugging Face 上沒有連結到這篇論文的公開模型或資料集