MobileGym 是一個放在瀏覽器內運行的手機模擬環境，重點不是做出一部「像真手機」，而是讓研究者可以穩定測試手機操作代理。它針對真機與模擬器常見的難題，例如狀態難以重現、評分不穩、成本高，提供一套較可控的做法。

使用相當直接：先開啟模擬環境，再把代理接上去執行任務，之後用內建評分函式檢查有沒有完成目標。這個項目提供 28 個模擬 app、416 個任務模板，也支援把整個環境狀態存成 JSON，方便重設、比較與重跑同一組測試。

MobileGym 在「結果驗證」不靠模糊文字比對，也不依賴視覺模型做人手味很重的判斷，而是直接檢查結構化狀態。這代表系統不止能知道任務是否成功，還能發現副作用，例如錯誤追蹤了某個帳戶，或誤發訊息，這類情況在真機流程往往較難完整看見。

• 支援 256 個並行實例，同一台伺服器可同時跑大量測試
• 每個實例約 400 MB 記憶體，冷啟動約 3 秒
• 評分為可程式化且具決定性，官方稱可達亞毫秒級
• 已展示模擬到真機的轉移效果，保留約 95.1% 的訓練增益

性能數字是這個項目的另一個賣點：官方資料指 256 個任務的完整評估可在約 6 分鐘完成，而且 CPU 佔用不高。對需要反覆訓練、比較不同策略或模型的人，例如 Qwen3-VL-4B 搭配 GRPO 這類流程，這種可並行、可重現的設計比單靠真機測試更實際。

整體來看，MobileGym 適合做手機 GUI 代理研究、評測流程設計，以及強化學習訓練驗證。它未必取代真機，但作為前期迭代與大規模評估平台，定位十分明確；尤其當你重視可重現性、成本控制，以及能否清楚知道代理到底做對了甚麼、又做錯了甚麼，這個項目值得留意。

GitHub： https://github.com/Purewhiter/mobilegym

SpaceDG是一個圍繞空間理解而設的評測項目，重點不在「清晰圖片答得幾好」，而是進一步檢查圖片出現模糊、低光、壓縮失真、天氣干擾或鏡頭變形之後，模型仲能否判斷方向、位置同物件關係。這點很貼近真實環境，因為不少現場影像本來就未必完美。

動手方式相當清楚：先按項目提供的 EASI 流程準備環境，再下載 SpaceDG-Bench 數據，之後便可把自己的多模態模型放入同一套評測框架比較表現。對研究或產品測試來說，這比單看一般 VQA 分數更有參考價值，因為它專門檢查模型在「睇得唔清楚」時會點樣失準。

這個項目的特別之處，在於它不是隨便加噪聲，而是把九種影像退化效果納入 3D Gaussian Splatting 渲染流程，令退化更接近物理成因。公開資料顯示，整體數據規模約有 100 萬組問答，覆蓋接近 1,000 個室內場景，另有人工驗證的 SpaceDG-Bench，包含 1,102 條問題、11類推理任務與超過 1 萬個 VQA 例子。

• 已評測 25 個開源及閉源模型，覆蓋面算廣
• 影像退化會普遍拉低空間推理表現，人類亦同樣受影響
• 退化監督微調可同時改善乾淨與受干擾圖片的表現
• 物件計數等細節感知，似乎比部分幾何推理更易受影響
• 文中提到的相關模型包括 GPT-5.4、Gemini-3.1-Pro、Qwen3.6Plus、InternVL 3.5-38B 及作者的 8B 版本

整體來看，SpaceDG最適合做模型評估、穩健性研究，以及需要處理監控、機械人、室內導航等場景的團隊。若你關心的不只是模型「最好情況」有幾叻，而是它在普通甚至較差畫面下是否仍可靠，這個項目相當值得留意；至於個別分數與完整設定，仍建議配合論文與基準頁面一併閱讀。

GitHub： https://github.com/Visionary-Laboratory/SpaceDG

Paper： https://arxiv.org/pdf/2605.22536

PixVerve-95K 是一個圍繞原生文字生成圖片而設的研究項目，重點放在把輸出推向 100MP 等級的超高解析度。它不只是提供資料，還連同模型方法與評測基準一併整理，方向相當清晰：回答「高像素生圖到底做得夠唔夠好」這個常見但難量化的問題。

對一般讀者來說，最易理解的切入點是把它視為一個「比較平台」。研究人員或開發者可先查看公開的資料集與基準設定，再用自己的文字生成圖片模型產出結果，之後按它提出的評估方式比較畫面細節、主體是否貼合描述，以及不同縮放層級下的穩定度。

這個項目的亮點，在於它不是只看一張圖表面是否好看，而是更重視超高解析度下的完整性與一致性。README 提到的 Multi-scale Fidelity Index（MSFI）與 Instance-centric Compliance Score（ICS），反映它嘗試由多尺度保真度與主體對應程度兩方面衡量結果，這比單純看主觀觀感更有系統。

重點可先看這幾項：
– 目標聚焦於原生文字生成圖片走向 100MP
– 內容涵蓋資料集、模型方法、基準評測三部分
– 評估指標包括 MSFI 與 ICS
– 適合拿來比較不同模型在高解析度場景的表現
– 已提及可配合 Qwen3.5-35B-A3B 與 vLLM 相關流程使用

適合關注這個項目的人，包括做文字生成圖片研究的團隊、想測試高解析度輸出能力的模型開發者，以及需要有系統 benchmark 的學術場景。若你平時留意的模型包括 Qwen3.5-35B-A3B，或其他文字到圖片生成系統，PixVerve-95K 的價值更像是一把尺，幫你判斷模型在大尺寸畫面下是否仍能守住細節與語意一致性。

GitHub： https://github.com/HaojunChen663/PixVerve-95K

Paper： https://arxiv.org/pdf/2605.20147

AntiSD 係一個研究型專案，主力處理語言模型做數學推理時嘅訓練偏差。一般做法會叫模型向一個「已知答案、更有提示」嘅自己學習，但作者指出，呢種安排往往會令模型更著重格式化、收尾式嘅字詞，反而削弱真正幫到逐步思考嘅中間推理線索。

呢個專案最特別嘅地方，係將常見嘅自我蒸餾方向反轉。簡單講，唔再一味逼學生版本貼近「已經知道答案」嘅老師版本，而係用一種受控制嘅方式保留兩者差異，等模型唔會過早放棄探索思路；同時再加上一個基於不確定度嘅開關，避免訊號去到後期失控。

實際睇法上，呢個方法唔係畀一般用家即裝即玩，而係較適合已經做緊推理模型訓練、想比較不同強化學習策略嘅人。閱讀論文、配合 GitHub 內嘅實驗設定同 W&B 結果去重現，會係較合理嘅使用方式；重點係觀察訓練步數、最終準確率，同埋模型喺中間推理字詞上有冇被過度壓縮。

• 針對數學推理訓練中「答案啱，但思路變薄」嘅問題
• 核心做法係反轉自我蒸餾訊號，而唔係沿用標準貼近策略
• 論文提到以 pointwise mutual information 解釋點解方法有效
• 在多個 4B 至 30B 模型上，據報可用更少訓練步數追平或超過基線
• 相關模型包括 Qwen3-4B、Qwen3-8B，以及其他同級 4B 至 30B 語言模型

以定位來講，AntiSD 比較似一個畀研究員同模型工程團隊參考嘅訓練配方，而唔係面向終端用戶嘅應用程式。對於關注 AIME、HMMT、BeyondAIME 呢類數學推理基準，或者正用 GRPO 一類方法微調模型嘅團隊，呢個專案提供咗一個值得認真比較嘅替代方向。

GitHub： https://github.com/FloyedShen/AntiSD

Paper： https://arxiv.org/pdf/2605.11609