英伟达 SpatialClaw 以 59.9% 的准确率刷新空间推理 benchmark，背后却是一个简单却颠覆性的设计：让 VLM 在持久 Python 内核中边写代码边验证。这一突破不仅跨越模型架构与任务类型，更揭示了 AI 交互设计的致命盲区——当工具间能自由『对话』时，模型潜力将得到根本性释放。 59.9%。 这是英伟达发布的 SpatialClaw 在 20 个空间推理 benchmark 上的平均准确率，一个无需训练的空间推理框架。 值得看的不是这个数字本身，而是它怎么来的。 没有更大的模型。没有更复杂的训练流程。没有堆更多的数据。它做的事说出来甚至有点平淡：给 VLM 装了一个 持久化的 Python 内核 ，让模型在推理的时候写代码、看结果、改代码、再看结果，直到自己满意了再交答案。 就这么一个改动，准确率比此前最强的空间智能体 SpaceTools（48.7%）高出 11.2 个百分点 。而在工具集、提示词完全相同、只替换”行动界面”的对照实验里，准确率从无工具基线的 53.4% 一路抬到 59.9%。换句话说，分数的提升不是来自更强的工具，而是来自模型 使用 工具的