NVIDIA SpatialClaw 发布：无需训练，用代码作为动作接口实现 3D 空间推理

一句话看懂

NVIDIA 发布 SpatialClaw，一个无需微调的智能体，用 Python 代码作为动作接口，在 20 个空间推理基准上平均准确率 59.9%，比同类工具 SpaceTools 高 11.2 个百分点。

详细发生了什么

SpatialClaw 是 NVIDIA Research 推出的训练无关框架，专门解决视觉语言模型（VLM）在 3D 空间推理中的短板——判断物体位置、关系和运动。它不重新训练模型，而是改变智能体调用感知工具的动作接口，将代码作为接口核心。

框架围绕一个持久化 Python kernel 构建，预加载输入帧和基础工具集。感知工具是普通 Python 可调用对象，输出（如 mask、深度图、相机几何、轨迹）都是 Python 变量。核心入口包括：InputImages 存储帧，Metadata 携带帧率、时长，tools 暴露感知和几何原语，show() 嵌入图像到上下文，vlm 分发查询到独立 VLM 会话，ReturnAnswer() 提交最终答案。

两个核心感知工具：tools.Reconstruct 封装 Depth Anything 3，返回每帧深度、相机内参、外参和密集点云；tools.SAM3 封装 SAM 3，从文本、点或框提示生成图像/视频 mask。此外还有轻量工具如 tools.Geometry、tools.Mask、tools.Time、tools.Graph、tools.Draw。

在 20 个基准测试中，SpatialClaw 在 Gemma4-31B 骨干上平均准确率 59.9%，比无工具基线高 6.5 个百分点，比结构化工具调用高 3.2 个百分点，比单次代码高 4.7 个百分点。动态任务提升最大：DSI-Bench 提升 17.6 点，MindCube 提升 15.3 点。

中文圈视角

对国内开发者意味着什么？ SpatialClaw 无需训练的特性降低了使用门槛——你不需要 GPU 集群或大量标注数据，只需一个 VLM 后端（如通过 vLLM 自托管或调用 API）即可部署。但注意，核心感知工具 Depth Anything 3 和 SAM 3 均来自海外，国内用户可能需要考虑 API 访问稳定性或寻找替代方案（如 ModelScope 上的中文版深度估计模型）。

国产平替可能性？ 国内类似空间推理工作较少，但 DeepSeek、Kimi 等模型在视觉理解上已有进展。SpatialClaw 的“代码作为接口”思路可复用到国产模型上——只需将感知工具替换为国内开源模型（如 Depth Anything 的中文优化版、SAM 的国产复现），即可构建类似系统。对于机器人、自动驾驶等场景，这一框架能直接提升空间问答能力。

监管与合规：SpatialClaw 本身不涉及数据出境，但若调用海外 API，需注意数据安全。建议国内团队使用本地部署的 VLM（如 Qwen3.5 系列）和感知模型，完全合规。

几条值得记住的细节

• 无需训练：同一系统提示、工具集和超参数在所有基准和骨干上运行，无需微调。
• 五阶段循环：每个样本经历规划、代码生成、代码执行、反馈组装、答案提交，最多 30 步。
• 代码安全：静态 AST 检查器在代码执行前拒绝不安全代码。
• 性能对比：在 Gemma4-31B 上，SpatialClaw 比 VADAR 高 19.4 点，比 pySpatial 高 12.1 点。
• 开源可用：代码在 GitHub 上，支持 LangGraph 工作流和 Jupyter kernel，单机即可运行基准。

一句话总结

SpatialClaw 让 VLM 通过写代码来“思考”空间关系，无需训练即可显著提升 3D 推理能力，对机器人、多视图检测等场景价值明显。