视觉语言模型（VLM）在二维图像识别上表现优异，但一旦涉及三维空间推理——如判断物体前后关系、测量距离、规划抓取路径——准确率便显著下降。这一根本性短板长期制约着机器人和视频理解等场景的落地。NVIDIA Research发布的框架，提供了一个反常规的解决方案：放弃传统的工具调用（Tool Calling）范式，转而用代码（Code）作为智能体与感知工具之间的动作接口，在不重新训练任何模型的前提下，将空间推理准确率拉升到一个新台阶。

SpatialClaw的核心设计思路是“代码即接口”。以往智能体调用感知工具（如深度估计模型、分割模型）时，往往依赖预设的函数签名或结构化参数传递，这种刚性耦合限制了工具组合的灵活性。SpatialClaw则让智能体直接生成Python代码，动态调用Depth Anything 3、SAM 3等感知工具，并能自由组合输出——比如先对图像做深度估计，再在深度图上执行实例分割，最后通过坐标计算得出空间关系。这种“写代码”的方式，本质上把工具调用变成了一个可编程推理过程，规避了结构化接口带来的表达能力瓶颈。

实验数据验证了这一思路的有效性。在涵盖空间关系判断、物体计数、尺寸估计等任务的20项基准测试中，SpatialClaw的平均准确率达到59.9%，较近期代表性智能体SpaceTools高出11.2个百分点，比“无工具基线”高出6.5个百分点，比传统的“结构化工具调用”高出3.2个百分点。更关键的是，这些提升全部来自框架本身的架构设计，而非针对特定模型或任务的训练。同一套提示词和工具集，可以在Qwen3.5/3.6、Gemma4等从26B到397B参数规模的模型上直接运行，无需微调或适配。

从行业背景看，SpatialClaw的出现并非孤立创新。近年来，让大模型生成代码来实现环境交互（如Code as Policies）已被证明在机器人控制中有效，但将其引入空间推理的感知层，NVIDIA是首次系统化实践。这暗示了多模态智能体发展的一个趋势：未来的“智能体操作系统”可能不再需要固定API栈，而是让模型根据任务动态编写驱动代码，真正实现“即插即用”。对于从事机器人操作、视频语义理解、AR/VR空间计算的研发团队，直接克隆SpatialClaw的仓库并运行其基准测试，应能快速评估自身场景的适配性。下一步值得观察的是，当这种“代码接口”能力扩展到更多感官模态（如触觉、力觉）时，通用空间智能是否会迎来更实质的突破。