S-Agent 2.0 enseña a un agente de código a entender 3D y supera a SpatialClaw por 7,8 puntos

Los autores de S-Agent 2.0 tomaron un agente de código universal ya existente, le dieron una línea de comandos con un conjunto de herramientas de percepción 3D y lograron un salto notable en benchmarks espaciales. El modelo abierto Qwen3.8-27B alcanzó 66,5 puntos en MMSI-Bench y 82,3 en ReVSI. Son 13,9 y 20,5 puntos más que el mismo agente sin herramientas. Gemini-3.8-Flash, con el mismo conjunto, obtuvo 74,1 y 90,5. El sistema especializado SpatialClaw, con los mismos modelos, registró 62,6 y 74,5 con Qwen, y 67,0 y 79,7 con Gemini.

Dónde se perdía la precisión

El razonamiento espacial exige que el modelo determine dónde están los objetos en una escena tridimensional, cómo se sitúan unos respecto a otros y cómo se mueven. Los VLM agénticos ya han mejorado de forma apreciable en este tipo de tareas: en lugar de dar una sola respuesta en una pasada, recopilan datos por su cuenta mediante herramientas de percepción 3D. Pero el enfoque tiene un punto débil. En muchas preguntas las herramientas devuelven datos correctos y, aun así, el modelo responde mal. Las lecturas en bruto no se convierten en una conclusión utilizable, y es precisamente esa brecha entre el modelo y las herramientas lo que los autores intentan cerrar.

Tres pasos en lugar de un montón de utilidades

S-Agent 2.0 se basa en un único principio: ayudar al VLM a cerrar el ciclo de evidencias. Consta de tres partes.

• Obtención de datos de la escena mediante un conjunto de comandos en la terminal.
• Almacenamiento de lo encontrado en una memoria persistente de la escena, para no recalcular lo mismo.
• Descripción de cada lectura en un lenguaje espacial sencillo, en lugar de números sueltos.

El sistema no se escribe desde cero. Es un agente de código normal que conserva toda su flexibilidad: puede escribir scripts, combinar llamadas y comprobar resultados intermedios. Al mismo tiempo, cada lectura en la que se apoya sigue vinculada a la geometría que entregaron las herramientas. El modelo no se inventa las distancias: las lee de la herramienta y recibe una explicación de lo que significan.

Las cifras y la comparación con SpatialClaw

• Qwen3.8-27B: 66,5 en MMSI-Bench y 82,3 en ReVSI. La mejora gracias a las herramientas fue de +13,9 y +20,5. El nivel base sin herramientas, a juzgar por estos datos, ronda 52,6 y 61,8.
• Gemini-3.8-Flash: 74,1 y 90,5, con una mejora de +11,2 y +9,6.
• SpatialClaw con Qwen3.8-27B: 62,6 y 74,5. S-Agent 2.0 va por delante 3,9 y 7,8 puntos.
• SpatialClaw con Gemini-3.8-Flash: 67,0 y 79,7. La ventaja de S-Agent 2.0 es de 7,1 y 10,8 puntos.

Hay además una salvedad importante que los propios autores señalan. Cuanto más potente es el modelo base, menor es la ganancia que aportan las herramientas. Pero en cada sistema se reduce de forma distinta. La mejora de SpatialClaw en ReVSI al pasar de Qwen a Gemini cae de +13,2 a +2,7, es decir, casi desaparece. En S-Agent 2.0, en ese mismo salto, baja de +20,5 a +9,6 y sigue siendo apreciable. En la práctica esto importa más que los puntos absolutos: si una herramienta deja de ayudar a medida que el modelo mejora, habrá que descartarla en un par de versiones.

Los autores señalan aparte que S-Agent 2.0 funciona en distintos harnesses para agentes de código, entre ellos Codex y Claude Code. Por tanto, el resultado no está atado a un solo producto.

Qué se puede llevar a producción

La principal conclusión para quienes desarrollan sistemas agénticos tiene que ver con la interfaz. La calidad no depende solo del conjunto de herramientas, sino también de cómo se devuelven sus respuestas al modelo. La memoria de la escena y la descripción verbal de las lecturas se pueden trasladar a otras tareas: robótica, análisis de vídeo, navegación. Si construyes un agente sobre un harness de código ya hecho, tiene sentido probar el esquema «comandos, memoria, interpretación» con tus propios datos, sin reescribir el harness.

Conviene tener en cuenta también las limitaciones. Todas las cifras proceden de dos benchmarks, y la mejora no puede medirse en cámaras reales ni con sensores ruidosos. Por ahora es un resultado sólido para un planteamiento de investigación, no un sistema listo para un robot.