ИИтог

Представлен S-Agent 2.0: кодинг-агент с 3D-инструментами обошёл SpatialClaw

исследованияРедакция ИИтогHugging Face🔥52Рейтинг ИИтог52Влияние42Новизна55Релевантность95Неожиданность28Участники15Достоверность72
Представлен S-Agent 2.0: кодинг-агент с 3D-инструментами обошёл SpatialClaw

Пространственное рассуждение, это задачи, где модель должна понять, где в трёхмерном пространстве находятся объекты, как они соотносятся друг с другом и как движутся. Агентные визуально-языковые модели (VLM) в последнее время заметно улучшили результаты, потому что получают доказательства сами, с помощью инструментов 3D-восприятия, а не отвечают за один проход. Но, по словам авторов препринта, на многих вопросах инструменты возвращают верные данные, а модель всё равно не приходит к правильному ответу: разрыв между моделью и инструментами, где сырые показания должны превратиться в пригодные для вывода заключения, остаётся незаполненным.

S-Agent 2.0, агент для пространственного рассуждения, который оснащает готовый универсальный кодинг-агент набором инструментов восприятия, работающим из командной строки. Интерфейс построен вокруг одного принципа: помочь VLM замкнуть «цикл доказательств», получить данные о сцене, запомнить их в постоянной памяти сцены и объяснить каждое показание простым пространственным языком. По утверждению авторов, такая конструкция сохраняет всю гибкость кодинг-агента, а каждое показание, на которое он опирается, остаётся привязанным к геометрии, которую выдают инструменты.

Результаты на бенчмарках MMSI-Bench и ReVSI. Набор инструментов улучшил открытую модель Qwen3.8-27B на 13,9 и 20,5 балла (MMSI-Bench и ReVSI соответственно) по сравнению с тем же агентом без инструментов, а закрытую Gemini-3.8-Flash, на 11,2 и 9,6 балла. С открытой основой S-Agent 2.0 набирает 66,5 на MMSI-Bench и 82,3 на ReVSI, тогда как специализированная система SpatialClaw на той же основе, 62,6 и 74,5. С Gemini-3.8-Flash у S-Agent 2.0, 74,1 и 90,5 против 67,0 и 79,7 у SpatialClaw.

С ростом возможностей базовой модели выигрыш от инструментов уменьшается у обеих систем, но у SpatialClaw на ReVSI он падает гораздо сильнее, с +13,2 до +2,7, тогда как у S-Agent 2.0 остаётся на уровне +9,6. Кроме того, авторы сообщают, что S-Agent 2.0 работает с разными универсальными оболочками кодинг-агентов, например Codex и Claude Code.

Ключевые факты

  • S-Agent 2.0, это готовый универсальный кодинг-агент плюс набор инструментов 3D-восприятия, вызываемых из командной строки; идея, замкнуть «цикл доказательств»: получить данные о сцене, сохранить в постоянной памяти сцены, объяснить показания простым пространственным языком.
  • Прирост от инструментов над тем же агентом без них: Qwen3.8-27B, +13,9 (MMSI-Bench) и +20,5 (ReVSI); Gemini-3.8-Flash, +11,2 и +9,6 балла.
  • С открытой основой S-Agent 2.0 набирает 66,5 и 82,3 против 62,6 и 74,5 у SpatialClaw; с Gemini-3.8-Flash, 74,1 и 90,5 против 67,0 и 79,7.
  • У более сильной основы выигрыш от инструментов сжимается: на ReVSI у SpatialClaw, с +13,2 до +2,7, у S-Agent 2.0 остаётся +9,6.
  • По заявлению авторов, система работает с разными оболочками кодинг-агентов, включая Codex и Claude Code.

Почему это важно

Работа указывает на узкое место агентных систем с инструментами: даже когда 3D-инструменты выдают верные данные, модель не всегда превращает их в правильный ответ. Авторы предлагают закрывать этот разрыв не специализированной архитектурой, а обычным кодинг-агентом с постоянной памятью сцены и «переводом» показаний на простой пространственный язык. Отдельно заметно, что на ReVSI прирост от инструментов у S-Agent 2.0 при более сильной основе почти не сжимается (+9,6), а у SpatialClaw падает с +13,2 до +2,7.

Кому это важно

Исследователям пространственного рассуждения и мультимодальных моделей, командам, которые строят агентов поверх 3D-восприятия (робототехника, анализ сцен, работа с видео), и тем, кто смотрит, как универсальные кодинг-агенты применяют за пределами программирования.

Как это применить

Практический вывод на уровне идеи: вместо специализированной системы подключать к готовому кодинг-агенту инструменты восприятия через командную строку и давать ему память о сцене. Авторы утверждают, что подход работает с разными оболочками, например Codex и Claude Code. Об открытом коде, лицензии и доступности набора инструментов в тексте сведений нет, поэтому оценить готовность к использованию пока нельзя.

Можно ли доверять

Это препринт из листинга Hugging Face Papers и все цифры, заявления самих авторов; независимой проверки в тексте нет. Авторы и их организации в источнике не названы. Метрика, стоящая за баллами MMSI-Bench и ReVSI, в тексте не указана. Сравнение со SpatialClaw проведено на одной и той же основе, что делает его корректнее, но без доступа к полной статье детали постановки проверить нельзя.

Риски и подводные камни

Прирост от инструментов уменьшается по мере усиления базовой модели (авторы признают это для обеих систем), поэтому на самых сильных моделях выигрыш может оказаться скромнее. В источнике не названо, какая оболочка кодинг-агента использована для основных результатов, и не сказано, измерялись ли Codex и Claude Code в цифрах, заявлено лишь, что система «работает» с ними. Сами инструменты и устройство памяти сцены в тексте не описаны, а авторы подчёркивают, что на многих вопросах модель всё ещё ошибается при верных данных инструментов.