空间推理要求模型判断3D空间中物体位置、相互关系和运动。近期的具备自主行为的视觉语言模型（VLM）通过让模型使用3D感知工具主动获取证据，显著提升了此类任务的表现。但在许多问题上，即使工具返回了正确的原始读数，模型仍未得出正确结论，表现出模型与工具之间的证据转化缺口。
为此我们提出 S‑Agent 2.0。它在现成的通用编码代理上接入命令行感知工具，并围绕“闭环证据”原则设计交互：获取场景证据、在持久化场景记忆中保存、并用自然空间语言解释每一次读取。该设计保留了编码代理的全部灵活性，同时确保每一次操作都基于工具提供的几何信息。
在 MMSI‑Bench 与 ReVSI 两套基准上，感知工具使开源模型 Qwen3.8‑27B 的得分分别提升 13.9 与 20.5 分，闭源模型 Gemini‑3.8‑Flash 提升 11.2 与 9.6 分。使用 S‑Agent 2.0，Qwen3.8‑27B 达到 66.5（MMSI‑Bench）和 82.3（ReVSI），已超越同骨干的专用系统 SpatialClaw（分别为 62.6 与 74.5）。Gemini‑3.8‑Flash 在同样配置下分别为 74.1 与 90.5，亦高于其基线 67.0 与 79.7。
随着骨干模型能力提升，工具带来的增益会逐渐收敛；但 SpatialClaw 在 ReVSI 上的增益从 +13.2 降至 +2.7，而我们的增益仍保持在 +9.6。S‑Agent 2.0 还能无缝迁移到其他通用编码代理框架，如 Codex 与 Claude Code，展示了良好的通用性。
点评