视觉语言模型看图说话可以，但一旦被问到"机器人左前方三米那个东西离桌面边缘多远"这种问题就抓瞎——2D 像素里没有深度，模型只能瞎猜。NVIDIA Research 这次扔出来的 SpatialClaw 瞄准的就是这个软肋：他们没去训新模型，而是让智能体把代码当作动作接口，自由调用 Depth Anything 3、SAM 3 这类感知工具，自己拼装输出结果。换句话说，模型不再是被动答题的考生，而是会写脚本调工具的工程师。
数字很能说明问题。SpatialClaw 在 20 项空间推理基准测试上平均准确率跑到 59.9%，比 NVIDIA 早些时候的 SpaceTools 高出 11.2 个百分点，比完全没有工具加持的裸模型高 6.5 点，比结构化工具调用路线还高 3.2 点。关键在于"免训练"三个字：同一套提示词和工具集可以直接挂在 Qwen3.5/3.6、Gemma4 等 26B 到 397B 参数的骨干网络上跨基准跑，做机器人抓取、视频场景理解、3D 重建的人不需要再为每个下游任务单独微调。
这套思路的真正价值在于解耦。感知能力在工具里，推理能力在模型里，接口是代码——谁负责哪块、怎么升级，互不牵绊。过去行业总想让一个 VLM 同时学会"看"和"想"，结果两头都不精；SpatialClaw 等于承认了边界，把脏活累活外包给专用工具，模型只管把工具串成答案。仓库已经开源，强烈建议做具身智能和视频理解的团队直接 clone 跑一遍基线。
