S-Agent 2.0 يعلّم وكيل البرمجة فهم 3D ويتفوق على SpatialClaw بـ7.8 نقطة

أخذ مؤلفو S-Agent 2.0 وكيل برمجة عامًا جاهزًا، وزوّدوه بسطر أوامر يضم مجموعة من أدوات الإدراك ثلاثي الأبعاد، فحققوا قفزة ملحوظة في اختبارات الاستدلال المكاني. بلغت نتيجة Qwen3.8-27B المفتوح 66.5 نقطة على MMSI-Bench و82.3 على ReVSI. وهذا أعلى بـ13.9 و20.5 نقطة مما حققه الوكيل نفسه دون الأدوات. وسجّل Gemini-3.8-Flash مع المجموعة نفسها 74.1 و90.5. أما نظام SpatialClaw المتخصص فحقق مع النماذج نفسها 62.6 و74.5 مع Qwen، و67.0 و79.7 مع Gemini.

أين كانت الدقة تضيع

يتطلب الاستدلال المكاني من النموذج أن يحدد مواقع الأجسام في مشهد ثلاثي الأبعاد، وكيف تتوضع بالنسبة إلى بعضها، وكيف تتحرك. وقد حسّنت نماذج VLM الوكيلية نتائجها في هذه المهام بوضوح: فبدل إجابة واحدة في تمريرة واحدة، تجمع هذه النماذج البيانات بنفسها عبر أدوات الإدراك ثلاثي الأبعاد. لكن لهذا النهج نقطة ضعف. ففي أسئلة كثيرة تعيد الأدوات بيانات صحيحة، ومع ذلك يجيب النموذج إجابة خاطئة. فالقراءات الخام لا تتحول إلى استنتاج صالح للاستخدام، وهذه الفجوة بين النموذج والأدوات هي ما يحاول المؤلفون سدّه.

ثلاث خطوات بدل مجموعة أدوات متفرقة

يقوم S-Agent 2.0 على مبدأ واحد: مساعدة VLM على إغلاق حلقة الأدلة. ويتألف من ثلاثة أجزاء.

• الحصول على بيانات المشهد عبر مجموعة أوامر في الطرفية.
• حفظ ما تم العثور عليه في ذاكرة دائمة للمشهد، حتى لا يُعاد حساب الشيء نفسه.
• وصف كل قراءة بلغة مكانية بسيطة، لا بأرقام مجردة.

لم يُكتب النظام من الصفر. فهو وكيل برمجة عادي احتفظ بكامل مرونته: يستطيع كتابة السكربتات، والجمع بين الاستدعاءات، والتحقق من النتائج الوسيطة. وفي الوقت نفسه تبقى كل قراءة يعتمد عليها مرتبطة بالهندسة التي أخرجتها الأدوات. فالنموذج لا يختلق المسافات، بل يقرؤها من الأداة ويحصل على شرح لمعناها.

الأرقام والمقارنة مع SpatialClaw

• Qwen3.8-27B: 66.5 على MMSI-Bench و82.3 على ReVSI. بلغت الزيادة الناتجة عن الأدوات +13.9 و+20.5. ويبلغ المستوى الأساسي دون الأدوات، بحسب هذه البيانات، نحو 52.6 و61.8.
• Gemini-3.8-Flash: 74.1 و90.5، بزيادة +11.2 و+9.6.
• SpatialClaw على Qwen3.8-27B: 62.6 و74.5. ويتقدم S-Agent 2.0 بـ3.9 و7.8 نقطة.
• SpatialClaw على Gemini-3.8-Flash: 67.0 و79.7. ويبلغ تفوق S-Agent 2.0 نحو 7.1 و10.8 نقطة.

ثمة تحفظ مهم يورده المؤلفون أنفسهم: كلما كان النموذج الأساسي أقوى، قلّ المكسب من الأدوات. لكن هذا المكسب يتقلص بشكل مختلف من نظام إلى آخر. فزيادة SpatialClaw على ReVSI عند الانتقال من Qwen إلى Gemini تهبط من +13.2 إلى +2.7، أي تكاد تختفي. أما في S-Agent 2.0 فتنخفض في الانتقال نفسه من +20.5 إلى +9.6، وتبقى محسوسة. وهذا أهم عمليًا من النقاط المطلقة: فإذا توقفت الأداة عن المساعدة مع تحسّن النموذج، فسيتعين التخلي عنها بعد إصدارين أو ثلاثة.

وأشير بشكل منفصل إلى أن S-Agent 2.0 يعمل في أغلفة مختلفة لوكلاء البرمجة، منها Codex وClaude Code. أي أن النتيجة ليست مرتبطة بمنتج واحد.

ما الذي يمكن الاستفادة منه

يتعلق الاستنتاج الرئيسي لمطوري الأنظمة الوكيلية بالواجهة. فالجودة لا تعتمد على مجموعة الأدوات وحدها، بل أيضًا على طريقة إعادة ردودها إلى النموذج. ويمكن نقل ذاكرة المشهد والوصف اللفظي للقراءات إلى مهام أخرى: الروبوتات، وتحليل الفيديو، والملاحة. وإذا كنت تبني وكيلًا على إطار برمجي جاهز (harness)، فمن المنطقي اختبار مخطط «الأوامر، الذاكرة، التفسير» على بياناتك الخاصة دون إعادة كتابة الإطار نفسه.

وينبغي أيضًا مراعاة القيود. فكل الأرقام مستمدة من اختبارين فقط، ولم يُقَس الأثر على كاميرات حقيقية ومستشعرات مشوشة. وحتى الآن هذه نتيجة قوية في إعداد بحثي، لا نظامًا جاهزًا لروبوت.