VLM (Vision-Language Model) 에이전트가 미리 정의된 도구 호출 (Tool Calling)에 의존하는 대신, Jupyter 내에서 단계별로 Python 코드를 작성하여 공간 추론 (Spatial Reasoning)을 수행하게 합니다. 코드를 작성하고 실행한 뒤, 중간 결과를 확인하고, 만족스럽지 않으면 확신이 생길 때까지 계속 수정하여 최종 답안을 제출합니다.

NVIDIA에서 출시한 공간 추론 프레임워크의 핵심 아이디어는 매우 간단합니다. VLM 에이전트가 지속적인 Jupyter 커널 (Kernel) 내에서 노트북을 작성하듯 셀 (Cell) 단위로 Python 코드를 실행하게 하는 것입니다. 매 단계마다 중간 출력을 확인할 수 있으며, 하위 인지 도구(SAM3 분할, Depth-Anything-3 재구성)의 결과를 직접 가져와 조합할 수도 있습니다. 이는 '계획 → 코드 작성 → 안전 점검 → 실행 → 결과 관찰'로 이어지는 5단계 루프를 반복하며 작동합니다.