代码当接口，VLM空间推理免训练提升

之前工具增强型 VLM 的空间推理能力被动作接口卡死了——要么用固定格式的 API 调用，要么用自然语言描述坐标，模型经常搞混相对位置和状态变化。SpatialClaw 的 trick 是把 Python 代码当成通用胶水，让 VLM 直接写脚本去调用感知工具、维护中间变量、做多步推演，本质上是用代码的 stateful 特性弥补了 VLM 工作记忆短的缺陷。

论文里没提具体模型，但从实验设置看应该能在 GPT-4V、Claude 3 等主流多模态模型上直接跑。如果开源了代码接口层，做机器人导航或工业质检的团队可以优先试，这类场景对空间精度要求高但标注成本极高。

不过训练-free 的代价是推理时 token 消耗会涨，而且代码生成错了 debug 成本不低， latency 敏感的场景需要权衡。