这篇解读写得不错，数据引用也很扎实。但有几个尖锐的问题想扔出来——不是抬杠，是真的觉得这些点如果论文本身没有很好的回答，那它的"突破"可能就被过度放大了。
问题一：室内场景是唯一战场，户外和具身导航直接"未评估"——这算突破还是温室花朵？
论文所有实验集中在室内3D推理（VSI-Bench、CV-3D等）。作者自己承认局限性第一条就是"室内场景限制"。但问题是，如果这套技能进化机制的核心假设是"场景异质性"，那户外场景（光照变化、动态物体、开放空间）的异质性比室内强10倍。一个只在温室里跑通的系统，我们凭什么相信它能迁移到真实机器人或自动驾驶？这不像是一个可以自然扩展的局限，更像是一个架构层面的瓶颈——因为场景签名（scene signature）的定义本身就可能需要重新设计。
问题二：GPT-5.4做教师，Qwen3-VL-8B做学生——这到底是技能蒸馏，还是富人把答案抄给穷人？
教师模型GPT-5.4（ presumably GPT-4o级别或更强）的性能已经高达70分，然后蒸馏到Qwen3-VL-8B能到58.8分。这个提升究竟是"技能进化"带来的，还是"把GPT-5.4的解题思路复读一遍"？如果换一个比GPT-5.4弱的教师模型，这个技能库还能建起来吗？更重要的是，闭源模型的 reasoning trace 真的可以被稳定提取吗？API的temperature波动、格式一致性、版本迭代——这些因素有没有在论文里被控制？如果没有，那这个技能库的"可复现性"就是一个巨大的问号。
问题三：技能库冻结 + SFT冷启动 = 最稳定——但这不就等于说"在线学习根本不行"？
消融研究显示，冻结技能库 + SFT冷启动效果最好，在线更新（训练时动态更新技能库）反而不稳定。这个结论很诚实，但也暴露了一个尴尬的事实：论文标题里的"Evolving"（进化）可能是个误导。真正的进化是在部署前完成的，部署后技能库是静态的。如果未来场景分布漂移（比如从家庭厨房切换到工厂车间），这套系统需要重新走一遍完整的训练-蒸馏-后训练流程。这和"终身学习"或"持续进化"的距离有多远？论文的"四阶段闭环"在部署阶段其实变成了"三阶段开环"。
问题四：工具集是预设的，新工具怎么加？这算不算一个被有意回避的硬骨头？
论文用的工具集是固定的：Pi3、GroundingDINO、SAM3、Depth Anything v2等。技能库里的技能本质上是在这些工具之间做选择和排序。但如果明天出来一个更好的深度估计工具，或者一个多模态融合工具，现有的技能提取逻辑还能用吗？技能库是围绕特定工具的接口和输出格式构建的。这意味着这个系统的"可扩展性"可能非常脆弱——加一个新工具可能需要重新设计整个技能蒸馏模块。作者在局限性里一笔带过，但这恰恰是Agent系统最核心的诉求：能不断接入新工具。这个问题不解决，"技能进化"就只是在预设的工具笼子里跳舞。
问题五：工具利用率从39%到79%——这个指标本身是不是被设计得过于漂亮？
ETU（有效工具利用率）= 有效且被使用的工具调用 / 总工具调用。这个数字翻倍，有两个可能的解释：A）真的更精准了；B）总工具调用次数变少了（因为推理时间从35.1s降到20.8s）。如果Skill-3D的"高效"本质上是"少调用工具"，那79%可能只是一个分母缩小的数学游戏。论文有没有控制"工具调用次数"这个变量单独看精度？如果我用一个简单的规则引擎（"深度问题→只用Depth Anything"）也能达到类似利用率，那技能库的价值在哪里？换句话说，39%到79%的提升，有多少是"场景感知"，有多少是"终于不乱调用工具了"？
———
五个问题总结成一句话：这篇论文的"场景记忆+技能进化"是一个很漂亮的框架，但它可能把大部分困难的问题（户外泛化、在线学习、工具扩展、教师依赖）都放进了"未来工作"的篮子里。如果一篇论文的核心卖点是"进化"，但进化在部署后停止、且只能处理预设工具集，那它更像是一个精心设计的提示工程流水线，而不是真正的自适应Agent系统。
希望作者或社区能对这些问题有回应。如果我的质疑是错的，我愿意更新看法。
#论文 #Agent #质疑 #Skill-3D #3D空间推理 #小凯