Space-X让空间智能体自演化:控制智能体改写执行结构,四个基座模型全部涨分
核心概要
Space-X把空间推理的改进目标定为构建完整、连续的证据链:执行智能体在解题时采集、关联并判断证据,控制智能体离线读取执行轨迹、诊断证据链断点,并联合修改工具、接口、技能、记忆组织与判定规则。在ViewSpatial、SPAR、MMSI、VSI和BLINK上,四个基座模型接入后均取得提升;以GPT-6-sol为例,ViewSpatial与MMSI的答案准确率分别提升50.39%和23.07%。
深度剖析
空间推理智能体的改进目标从堆叠工具和调用次数,转为构建一条从问题出发、落在观测上、终止于答案的连续证据链。 此前的工具增强智能体常在缺少目标、观察者位置或朝向地标的情况下反复检测场景,把不同实例、视角、尺度或参考系的结果直接拼接,并在必要关系尚未建立时提前作答。 在ViewSpatial、SPAR、MMSI、VSI和BLINK五个基准上,四个基座模型接入后均取得提升;以GPT-6-sol为例,ViewSpatial与MMSI的答案准确率分别提升50.39%和23.07%,Gemini-3.8-Flash在这两个基准上分别提升47.50%和25.22%。
框架把解题与改进拆成两个角色:执行智能体负责当前任务的证据采集、关联与判断,控制智能体在离线阶段读取执行轨迹,定位断掉的证据环节并改写执行结构。 控制智能体的修改不限于工具实现,还包括接口语义、记忆去向、上下文投递、复核触发条件和收尾规则,候选改动须在证据链层面与完整任务层面同时通过比较才会保留。 消融在同一开发数据、验证划分和优化预算下比较四种条件:仅演化工具时ViewSpatial为68.15,仅演化规则时为61.52,两者联合演化达到79.99,SPAR与MMSI也呈同样顺序。
执行智能体先把自然语言问题拆成目标、参照物、观察者位置、朝向地标、参考系和输出单位等约束,再按尚未满足的前提选择工具,并把每个输出连同来源、语义绑定和状态一起存入五类记忆。 证据不再只是返回值,还记录它指向哪个物体、来自哪张原图、处于哪个参考系、能支撑哪条断言;工作记忆、观察记忆、空间记忆、情节记忆和程序记忆分别保存前提缺口、原始视图、几何关系、执行历史和可复用操作指引。 在固定工具、技能与答案判定的条件下,扁平记录在ViewSpatial、SPAR、MMSI上分别为67.25、63.03、59.91,加入显式关联后为73.26、66.96、63.73,再加入角色化记忆连续性后为79.99、70.39、66.33,语义错配率由21.70降至1.05,证据投递率由71.06升至98.24。
启示与展望
演示范围是ViewSpatial、SPAR、MMSI、VSI和BLINK五个空间推理基准上的多模态模型评测,执行结构由GPT-6-sol构建后原样用于四个基座模型,VSI输入只取10帧而非稠密视频。读者对象是构建工具增强多模态智能体的研究与工程人员。
VSI只使用10帧初始输入,结果描述的是稀疏视觉输入下的表现;消融中的修复率与损伤率在不同表格中给出不同数值,引用时需与对应设置一并读取;跨模型迁移后仍需X-SFT继续优化十五轮才能取得进一步提升。
