SCOPE：边缘端的实时自然语言相机智能体

本文提出 SCOPE，一种专为边缘部署设计的模块化智能体，用于自然语言控制的云台相机操作与视觉场景理解。该系统在 Blender 仿真及物理设备上运行，本地执行感知、规划与控制。研究发布了包含 536 项任务的基准测试，涵盖单步及多步指令、空间推理等，并评估了 19 种规划器 - 感知模型组合。结果表明，更强的语言模型能显著减少幻觉并优化工具路由，而混合专家模型在延迟和内存占用上表现优异，为实时边缘控制提供了可行的设计方案。