SpatialClaw：重新思考代理空间推理的动作接口

空间推理是视觉语言模型（VLM）面临的基础挑战。现有工具增强型代理受限于动作接口设计，缺乏灵活性。本文提出 SpatialClaw，一种无需训练的框架，采用代码作为动作接口。该框架维护一个预加载输入帧及感知原语的状态化 Python 内核，允许 VLM 代理根据 prior 输出逐步编写可执行代码单元。这种方法使代理能灵活组合感知结果，适应中间观测及任务需求。在 20 个基准测试中，SpatialClaw 平均准确率达 59.9%，显著优于现有方法。