論文の概要: S-Agent 2.0: Spatial Reasoning with a General Coding Agent

• arxiv url: http://arxiv.org/abs/2610.28354v1
• Date: Tue, 20 Oct 2026 15:20:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.882501
• Title: S-Agent 2.0: Spatial Reasoning with a General Coding Agent
• Title（参考訳）: S-Agent 2.0:一般符号化エージェントを用いた空間推論
• Abstract要約: 本稿では,S-Agent 2.0を提案する。S-Agent 2.0は,市販の汎用符号化エージェントにコマンドライン認識ツールキットを装備する空間推論エージェントである。 この設計では、コーディングエージェントの完全な柔軟性が保たれており、ツールのジオメトリに基盤が置かれている。 MMSI-Bench と ReVSI では、このツールキットは強力なオープンソースモデル Qwen3.8-27B を、ツールなしで同じエージェント上で +13.9 と +20.5 で改善し、強力なクローズドソースモデル Gemini-3.8-Flash を+11.2 と +9.6 で改善した。
• 参考スコア（独自算出の注目度）: 59.2328139329164
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatial reasoning asks a model to work out where objects are in 3D space, how they relate to one another, and how they move. Agentic VLMs have recently brought large improvements on such tasks by letting the model actively gather evidence with 3D perception tools instead of answering in a single pass. Even so, on many questions the tools return the right evidence and the model still does not arrive at the correct answer: the gap between model and tools, where raw readings become usable conclusions, is left unfilled. We present S-Agent 2.0, a spatial reasoning agent that equips an off-the-shelf general coding agent with a command-line perception toolkit, and we design the interface around one principle: help the VLM close the evidence loop: acquire scene evidence, remember it in a persistent scene memory, and interpret each reading in plain spatial language. This design keeps the full flexibility of a coding agent, and every reading it acts on stays grounded in the tools' geometry. On MMSI-Bench and ReVSI, the toolkit improves a strong open-source model, Qwen3.8-27B, by +13.9 and +20.5 points over the same agent without tools, and a strong closed-source model, Gemini-3.8-Flash, by +11.2 and +9.6 points. With the open backbone S-Agent 2.0 reaches 66.5 on MMSI-Bench and 82.3 on ReVSI, ahead of the specialized system SpatialClaw on the same backbone (62.6 and 74.5), and with Gemini-3.8-Flash it reaches 74.1 and 90.5 against its 67.0 and 79.7. Both tool gains shrink as the backbone grows more capable, but SpatialClaw's shrinks far more on ReVSI, from +13.2 to +2.7, while ours stays at +9.6. S-Agent 2.0 also works across different general coding agent harnesses, such as Codex and Claude Code.
• Abstract（参考訳）: 空間的推論は、モデルに対して、オブジェクトが3D空間にある場所、どのように相互に関連し、どのように動くかを尋ねる。 エージェントVLMは、最近、一つのパスで答える代わりに、3D認識ツールでモデルに積極的に証拠を収集することで、そのようなタスクに大きな改善をもたらした。 それでも、多くの質問において、ツールは正しい証拠を返し、モデルは依然として正しい答えに届かない。 本稿では,S-Agent 2.0を提案する。S-Agent 2.0は,市販の汎用符号化エージェントにコマンドライン認識ツールキットを装備する空間推論エージェントで,VLMがエビデンスループを閉じるのを助ける,シーンエビデンスを取得し,永続的なシーンメモリで記憶し,各読み出しを平易な空間言語で解釈する,という1つの原理のインターフェースを設計する。 この設計では、コーディングエージェントの完全な柔軟性が保たれており、ツールのジオメトリに基盤が置かれている。 MMSI-Bench と ReVSI では、このツールキットは強力なオープンソースモデル Qwen3.8-27B を、ツールなしで同じエージェント上で +13.9 と +20.5 で改善し、強力なクローズドソースモデル Gemini-3.8-Flash を+11.2 と +9.6 で改善した。 オープンバックボーンのS-Agent 2.0はMMSI-Benchで66.5、ReVSIで82.3、同じバックボーンでSpatialClaw(62.6と74.5)、Gemini-3.8-Flashで67.0と79.7に対して74.1と90.5に達した。 しかし、SpatialClaw は ReVSI において +13.2 から +2.7 に大幅に縮小し、我々のツールは +9.6 に留まる。 S-Agent 2.0は、CodexやClaude Codeなど、さまざまな一般的なコーディングエージェントハーネスでも動作する。

関連論文リスト

• 2AM: Grounding Agent-Side Memory as Guidance for Steerable Action Models in Long-Horizon Manipulation [6.040186174770221]
  ロングホライズンロボットの操作はメモリを必要とするが、必ずしもアクションポリシーの範囲内ではない。 2AMは、マルチモーダルエージェントをタスクメモリの唯一のホルダーとし、単一のRGBベースの、エピソード的にステートレスなアクションモデルをタスク関連モーションの唯一のエグゼキュータにする。 LIBERO-Memでは、深さ、オンライン幾何、またはプランナーに基づく物体の動きが76.3%に達し、最強のベースラインである14.8%を61.5ポイント改善し、63.0%の緩和と11.8%の厳密な成功を達成している。
  論文  参考訳（メタデータ） (2026-09-10T09:35:56Z)
• JIT-Agent: Scaling Harness Intelligence via Just-in-Time Harness Evolution [74.58840188662151]
  JIT-Agentは、タスク適応エージェントハーネスをオンザフライで合成するために訓練されたハーネスインテリジェンスモデルである。 JIT-Agentは、ジャスト・イン・タイムのハーネス生成のために構築された最初のモデルである。
  論文  参考訳（メタデータ） (2026-08-26T10:05:33Z)
• ADeptS-Bench: Measuring the Trustworthiness of Computer Use Agents Across Devices [48.36933831982682]
  我々はADEPTS機能フレームワークを基盤とした信頼性ベンチマークであるADeptS-Benchを紹介する。 Safetyストリームは、視覚インターフェースに埋め込まれた脅威を伴うペアの良心/悪意のあるタスクを提供する。 曖昧さストリームは、意図が曖昧である場合、エージェントが明確化を求めるかどうかを評価する。
  論文  参考訳（メタデータ） (2026-08-25T23:21:57Z)
• Function-Aware Fill-in-the-Middle as Mid-Training for Coding Agent Foundation Models [49.259951930558]
  コーディングエージェントは、継続的な推論に外部ツールリターンを統合する必要がある。 我々は,中等教育における機能意識の充足を通じてこれを活用する。
  論文  参考訳（メタデータ） (2026-07-14T07:44:26Z)
• When the Tool Decides: LLM Agents Defer Blindly to Graph Neural Network Tools, and Stronger Backbones Defer More [10.283803346813047]
  大規模言語モデル(LLM)エージェントにグラフニューラルネットワーク(GNN)をコール可能なツールとして装備する作業が増えている。 凍結したGNNをReActスタイルのLLMエージェントに明示的なツールとして公開し、テキスト分散グラフ上のノード分類で測定する。 その予測は生のGNNの97.6-99.2%の時間(5種)と一致している。 性能が向上し、代替手段が出現する場所で成長するにつれて、推論のコストは低下しない。
  論文  参考訳（メタデータ） (2026-06-12T14:13:19Z)
• Bayesian-Agent: Posterior-Guided Skill Evolution for LLM Agent Harnesses [30.457068495035386]
  textbfBayesianAgentは、再利用可能なスキルとSOPを、特定のプロンプト、コンテキスト、利用環境下で凍結モデルが成功するかどうかの仮説として扱う。 ベイジアン=アジェントの記録は、軌道証拠を検証し、各技術に対して特徴条件付きカテゴリー後部を維持し、後方状態をパッチ、分割、圧縮、引退、探索のような検査可能な行動にマッピングする。
  論文  参考訳（メタデータ） (2026-06-06T21:40:19Z)
• Squeez: Task-Conditioned Tool-Output Pruning for Coding Agents [0.8714519393367773]
  符号化エージェントは、次のステップで各観察のごく一部だけであっても、長いツール観察を繰り返し消費する。 タスク条件付きツールアウトプットプルーニングについて検討する: 集中クエリと1つのツールアウトプットが与えられたら、エージェントが次に検査すべき最小の動詞のエビデンスを返します。
  論文  参考訳（メタデータ） (2026-04-04T18:52:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。