VisualClaw：面向物理世界的实时个性化智能体

针对视觉语言模型在部署中面临的高延迟、静态架构及基准测试缺失问题，本文提出 VisualClaw，一种自进化的多模态智能体。该框架采用混合编码策略，通过级联门控过滤低信息量帧并压缩文本技能库以降低成本；同时引入技能进化机制，利用检索记忆引导智能体从失败中学习并动态更新技能库。实验表明，该方法在显著降低 API 成本的同时提升了多个视频问答基准的准确率，并构建了包含复杂工作空间交互的新基准 VisualClawArena 验证其有效性。