用途：当问题涉及空间推理时使用本技能，包括距离、尺寸、朝向、左/右/前/后判断、相机运动与物体运动对比、跨帧计数，以及依赖视角的可见性。外观类问题可直接从图像回答。工具参数见 qwen-mm-plugins-video-spatio 的 schema。
主要能力：先用图像或采样视频帧构建场景。若已安装 core，可用 read_video 和 save_view；否则使用可用的图像/视频工具并提供本地帧路径。为每帧标注物体列表（label、bbox、depth_m），调用 build_scene(frames=..., objects_by_frame=...)，所有帧尺寸须一致。移动相机需为每对相邻帧提供一个 camera_motions 项，平移在前一相机坐标系中，forward_m 前为正、right_m 右为正，yaw_deg 右转为正；省略则假定相机静止。
坐标约定：框为 [x1,y1,x2,y2]，默认 0–1000 归一化，可显式设 bbox_format="pixels" 或 "normalized"，同一场景不得混用单位。depth_m 为相机到物体的正距离估计（米），保留不确定性，视觉深度并非标定测量。世界坐标 +Y 上、+X 右、-Z 前，BEV 用 (x,z)，场景假定 60° 水平视场与平面相机运动。
分析工具：visualize_bev 显示相对布局；view_reason 与虚拟视点；triangulate 需同一静止物体与真实相机基线，并检查 reliable；calibrate_scale 用已知尺寸求比例；object_world_motion 判断物体运动；camera_motion 汇总已有位姿；orient_facing、verify_grounding 走 VLM 调用；count_objects、match_entities 负责计数与跨视图同一性；select_keyframes 支持均匀、运动、覆盖、共视策略；scene_map 提供认知地图与帧差；motion 做帧差或轨迹外推；render_scene_views 渲染粗略布局。
探索建议：assess_coverage → plan_exploration、assess_reachable、mobile_manip 仅返回导航或搜索建议，不驱动机器。基于距离的可达性不证明无障路线或可抓取。
限制：几何工具不独立测量场景，依赖宿主提供的框、深度与相机估计；VLM 工具使用配置的 OpenAI 兼容端点且可能多次调用，无需 GPU 感知服务器。同一估计生成的几何与可视化不算独立证据；证据冲突时应复核定位、单位、物体同一性与相机运动；无法支撑时不要强求精确数值。