S-Agent 2.0 ensinou um agente de código a entender 3D e superou o SpatialClaw em 7,8 pontos

Os autores do S-Agent 2.0 pegaram um agente de código generalista já pronto, deram a ele uma linha de comando com um conjunto de ferramentas de percepção 3D e obtiveram um salto expressivo em benchmarks espaciais. O Qwen3.8-27B, modelo aberto, chegou a 66,5 pontos no MMSI-Bench e a 82,3 no ReVSI. São 13,9 e 20,5 pontos a mais do que o mesmo agente alcança sem as ferramentas. O Gemini-3.8-Flash, com o mesmo conjunto, marcou 74,1 e 90,5. O SpatialClaw, sistema especializado, obteve nos mesmos modelos 62,6 e 74,5 com o Qwen e 67,0 e 79,7 com o Gemini.

Onde a precisão se perdia

O raciocínio espacial exige que o modelo determine onde os objetos estão em uma cena tridimensional, como se posicionam uns em relação aos outros e como se movem. As VLMs agênticas já melhoraram bastante nessas tarefas: em vez de dar uma única resposta em uma passada, elas mesmas coletam dados por meio de ferramentas de percepção 3D. Mas a abordagem tem um ponto fraco. Em muitas perguntas, as ferramentas devolvem os dados corretos e, mesmo assim, o modelo responde errado. As leituras brutas não se transformam em uma conclusão utilizável, e é justamente essa lacuna entre o modelo e as ferramentas que os autores tentam fechar.

Três etapas em vez de um monte de utilitários

O S-Agent 2.0 se baseia em um princípio: ajudar a VLM a fechar o ciclo de evidências. Ele tem três partes.

• Obtenção de dados da cena por meio de um conjunto de comandos no terminal.
• Armazenamento do que foi encontrado em uma memória persistente da cena, para não recalcular a mesma coisa.
• Descrição de cada leitura em linguagem espacial simples, e não com números soltos.

O sistema não é escrito do zero. É um agente de código comum que mantém toda a flexibilidade: ele pode escrever scripts, combinar chamadas e verificar resultados intermediários. Ao mesmo tempo, cada leitura em que ele se apoia continua ligada à geometria fornecida pelas ferramentas. O modelo não inventa distâncias: ele as lê da ferramenta e recebe uma explicação do que significam.

Os números e a comparação com o SpatialClaw

• Qwen3.8-27B: 66,5 no MMSI-Bench e 82,3 no ReVSI. O ganho proporcionado pelas ferramentas foi de +13,9 e +20,5. Pelos dados, o nível-base sem ferramentas é de cerca de 52,6 e 61,8.
• Gemini-3.8-Flash: 74,1 e 90,5, com ganho de +11,2 e +9,6.
• SpatialClaw no Qwen3.8-27B: 62,6 e 74,5. O S-Agent 2.0 fica à frente por 3,9 e 7,8 pontos.
• SpatialClaw no Gemini-3.8-Flash: 67,0 e 79,7. A vantagem do S-Agent 2.0 é de 7,1 e 10,8 pontos.

Há ainda uma ressalva importante, apresentada pelos próprios autores. Quanto mais forte o modelo-base, menor o ganho com as ferramentas. Mas esse ganho encolhe de modo diferente em cada sistema. No ReVSI, o ganho do SpatialClaw ao passar do Qwen para o Gemini cai de +13,2 para +2,7, ou seja, quase desaparece. No S-Agent 2.0, na mesma troca, ele cai de +20,5 para +9,6 e continua perceptível. Na prática, isso pesa mais do que a pontuação absoluta: se uma ferramenta deixa de ajudar à medida que o modelo melhora, será preciso descartá-la em um par de lançamentos.

Os autores também destacam que o S-Agent 2.0 funciona em diferentes ambientes de agentes de código, incluindo o Codex e o Claude Code. Isso significa que o resultado não está preso a um único produto.

O que dá para aproveitar

A principal conclusão para quem desenvolve sistemas agênticos diz respeito à interface. A qualidade depende não só do conjunto de ferramentas, mas também de como as respostas delas são devolvidas ao modelo. A memória da cena e a descrição verbal das leituras podem ser levadas para outras tarefas: robótica, análise de vídeo, navegação. Se você está construindo um agente sobre um harness de código pronto, vale testar o esquema "comandos, memória, interpretação" com seus próprios dados, sem reescrever o harness.

Também é preciso considerar as limitações. Todos os números vêm de dois benchmarks, e o ganho não pode ser medido em câmeras reais e sensores ruidosos. Por enquanto, é um resultado forte para um cenário de pesquisa, e não um sistema pronto para um robô.