S-Agent 2.0 apprend à un agent de codage à comprendre la 3D et devance SpatialClaw de 7,8 points

Les auteurs de S-Agent 2.0 ont pris un agent de codage généraliste prêt à l'emploi, lui ont fourni une ligne de commande dotée d'outils de perception 3D, et obtiennent un net bond sur les benchmarks spatiaux. Le modèle ouvert Qwen3.8-27B atteint 66,5 points sur MMSI-Bench et 82,3 sur ReVSI, soit 13,9 et 20,5 points de plus que le même agent sans outils. Gemini-3.8-Flash, avec le même dispositif, obtient 74,1 et 90,5. Le système spécialisé SpatialClaw affiche, sur les mêmes modèles, 62,6 et 74,5 pour Qwen, et 67,0 et 79,7 pour Gemini.

Où la précision se perdait

Le raisonnement spatial exige du modèle qu'il détermine où se trouvent les objets dans une scène tridimensionnelle, comment ils sont disposés les uns par rapport aux autres et comment ils se déplacent. Les VLM agentiques ont déjà nettement amélioré leurs résultats sur ces tâches : au lieu de répondre en une seule passe, ils collectent eux-mêmes des données via des outils de perception 3D. Mais cette approche a un point faible. Sur de nombreuses questions, les outils renvoient des données correctes et le modèle répond pourtant de travers. Les mesures brutes ne se transforment pas en conclusion exploitable. C'est cet écart entre le modèle et les outils que les auteurs cherchent à combler.

Trois étapes plutôt qu'un tas d'utilitaires

S-Agent 2.0 repose sur un principe : aider le VLM à boucler la chaîne de preuves. Il comporte trois volets.

• Récupération des données de la scène via un ensemble de commandes dans le terminal.
• Stockage des résultats dans une mémoire persistante de la scène, pour éviter de recalculer les mêmes éléments.
• Description de chaque mesure dans un langage spatial simple, plutôt qu'en chiffres bruts.

Le système n'est pas écrit de zéro. C'est un agent de codage ordinaire, qui conserve toute sa flexibilité : il peut écrire des scripts, combiner des appels et vérifier des résultats intermédiaires. Chaque mesure sur laquelle il s'appuie reste cependant rattachée à la géométrie fournie par les outils. Le modèle n'invente pas les distances : il les lit dans l'outil et reçoit une explication de ce qu'elles signifient.

Les chiffres et la comparaison avec SpatialClaw

• Qwen3.8-27B : 66,5 sur MMSI-Bench et 82,3 sur ReVSI. Les outils apportent +13,9 et +20,5. Le niveau de base sans outils, d'après ces données, se situe autour de 52,6 et 61,8.
• Gemini-3.8-Flash : 74,1 et 90,5, soit un gain de +11,2 et +9,6.
• SpatialClaw sur Qwen3.8-27B : 62,6 et 74,5. S-Agent 2.0 devance de 3,9 et 7,8 points.
• SpatialClaw sur Gemini-3.8-Flash : 67,0 et 79,7. L'avance de S-Agent 2.0 est de 7,1 et 10,8 points.

Les auteurs formulent eux-mêmes une réserve importante : plus le modèle de base est solide, moins les outils lui apportent. Mais le gain ne s'érode pas de la même façon selon les systèmes. Pour SpatialClaw sur ReVSI, le passage de Qwen à Gemini fait tomber le gain de +13,2 à +2,7, soit une quasi-disparition. Pour S-Agent 2.0, sur le même passage, il baisse de +20,5 à +9,6 et reste sensible. En pratique, cela compte plus que les scores absolus : si un outil cesse d'aider à mesure que le modèle progresse, il faudra l'abandonner en quelques versions.

Les auteurs notent par ailleurs que S-Agent 2.0 fonctionne dans différents harness d'agents de codage, dont Codex et Claude Code. Le résultat n'est donc pas lié à un seul produit.

Ce que l'on peut en retenir

La principale leçon pour les développeurs de systèmes agentiques concerne l'interface. La qualité ne dépend pas seulement du jeu d'outils, mais aussi de la manière dont leurs réponses sont renvoyées au modèle. La mémoire de la scène et la description verbale des mesures peuvent être transposées à d'autres tâches : robotique, analyse vidéo, navigation. Si vous construisez un agent sur un harness de codage existant, il est raisonnable de tester le schéma « commandes, mémoire, interprétation » sur vos propres données, sans réécrire le harness lui-même.

Il faut aussi tenir compte des limites. Tous les chiffres proviennent de deux benchmarks, et le gain n'a pas été mesuré avec de vraies caméras ni des capteurs bruités. Pour l'instant, c'est un résultat solide dans un cadre de recherche, pas un système prêt à équiper un robot.