GenClaw 是一個研究中的項目，核心不是不停改 prompt，而是把程式碼變成可控制的視覺草稿，再交給圖像模型完成渲染。對一般讀者來說，可以把它理解成先畫草圖、定位置、排文字，之後才交由 AI 上色和補質感。

這個項目想處理的痛點很明確：很多 image generation 流程仍然像黑盒，生成失敗時只能反覆重寫提示詞碰運氣。GenClaw 將流程拆成 concept、sketch、render 幾步，令畫面中的物件數量、空間配置，甚至文字排版，都有機會透過可執行程式直接調整。

這做法結合搜尋、推理與程式繪圖，使用 SVG、HTML/CSS、Python，亦提到 Three.js 這類輕量 3D 方式來建立中間畫布；最後再調用 image generation model 補上材質、光影與真實感。這種設計比單次生成更容易檢查、修改，亦較貼近人類由草稿到完稿的創作步驟。

• 把程式碼當成視覺畫筆，而非只靠文字提示
• 適合複雜場景、海報文字、空間佈局等要求較高的畫面
• 中間結果可檢查與回退，降低黑盒生成的不確定性
• 論文提到可配合 GPT-Image、Qwen-Image、Nano-Banana 一類模型理解其定位

現階段要留意的是，儲存庫已公開 technical report，但 code 和 demo 仍在準備中，所以目前較適合先讀論文了解方法，再觀察後續釋出。從論文描述看，它較適合做視覺生成研究、代理系統開發，或者需要高控制度圖像流程的團隊；至於效能評估，公開頁面以方法與示例為主，較完整的量化表現仍需以論文內容和日後程式發布為準。

GitHub： https://github.com/yejy53/GenClaw

Paper： https://arxiv.org/pdf/2605.30248

GEM（Generative-supervised Embodied vision-language Model）是一個面向具身智能的 Vision-Language Models（VLMs）項目，重點不是只靠文字與圖片對答，而是讓模型同時學會場景的空間結構。它加入了深度圖生成這個輔助目標，希望補足一般文字驅動預訓練較少接觸的物理與幾何訊息，令模型不只「看得明」，也更接近「知道怎樣在空間中行動」。

這個設計想解決的問題很清楚：很多模型在語意理解、問答和描述表現不錯，但一牽涉到距離、遮擋、方向、可操作位置，或者下一步應怎樣做，能力就未必跟得上。GEM的做法，是在預訓練階段直接把 depth map generation 放進去，令模型在學文字生成時，也學場景深度與結構。論文亦提到其方法結合 hybrid autoregressive-diffusion architecture，並以 progressive training strategy 先穩定生成模組，再聯合訓練。

GEM 比較適合研究與實驗用途。倉庫已提供 GEM-2B checkpoint、GEM-250K 資料樣本，以及 VLM training / inference 代碼；要動手測試，主要是先準備 Python 3.10+ 環境與 torch、transformers、deepspeed、flash-attn 等依賴，再把資料路徑、depth image 路徑、MODEL_PATH 和 OUTPUT_DIR 設定好。由於資料位置需要手動修改到程式檔案內，整個流程不像一般即開即用工具，比較像給熟悉模型訓練流程的人做重現、微調或延伸開發。

項目的亮點不止於模型結構，還包括資料方向。README 提到釋出的是 GEM-250K 樣本，而論文內容則描述了更大規模的 GEM-4M，涵蓋 grounding、reasoning、planning 以及 depth supervision。這表示團隊的重點不只是堆大模型參數，而是把具身任務常見的空間理解、時序規劃和物理推理，放進同一套訓練資料與目標內，這對 Embodied VLMs 走向 Vision-Language-Action Models（VLA）相當關鍵。

• 核心方法是在 VLM 預訓練中加入 depth map generation，強化 physical grounding 與 spatial reasoning
• 已公開的相關資源包括 GEM-2B、GEM-250K，以及訓練與推論代碼
• 延伸版本 GEM-VLA 面向 Vision-Language-Action Models（VLA）與機械人操作
• 依賴包含 torch>=2.6.0、transformers>=4.57.0、deepspeed、flash-attn、accelerate、peft、triton、torchcodec
• 現階段較適合研究人員、ML 工程師，或想重現論文結果的團隊

性能方面，GEM 在多個 embodied benchmarks 上有強勁表現，而論文內容則進一步指出 GEM 與 GEM-VLA 在 diverse embodied benchmarks、LIBERO 模擬環境，以及 real-world robot tasks 取得 state-of-the-art results。從公開資訊可見，它比較的是空間推理、grounding 與任務執行能力，而不只是通用聊天或圖文問答分數。不過，倉庫頁面未完整列出所有可重現的評測表格與設定細節，使用時仍應以論文和後續釋出的完整資料為準。

整體來看，GEM最適合關注機械人、多模態學習、Embodied Intelligence 的讀者留意。若你正在找的是一個現成聊天助手，這個項目未必對口；但若你想了解下一代模型怎樣由「看圖答題」走向「理解空間並支援動作決策」，GEM提供了一條很具代表性的路線。相關模型與基礎包括 GEM、GEM-2B、待釋出的 GEM-8B、延伸版本 GEM-VLA，以及其代碼所建基的 Qwen3-VL、Sana、RDT2。

GitHub： https://github.com/zhaorw02/GEM

Paper： https://arxiv.org/pdf/2605.28548

LearnWeak 針對一個常見的 Computer-use agents(CUA) 痛點：小型桌面代理雖然便宜又快，但去到指定軟件時，成功率往往不穩。它不是盲目加資料，而是先找出學生模型的弱項，再集中補訓。

LearnWeak 建議先用 meituan/EvoCUA-8B-20260105 做底座，再按軟件掛上對應 LoRA，例如 learnweak-gimp。完整流程會配合 OSWorld，呼叫時記得選對模組名。

• 先辨認學生模型弱點，再自動生成針對性練習任務
• 用教師與學生的操作軌跡差異建立監督，毋須人工標註
• 訓練時分開處理規劃錯誤與執行錯誤，更新更精準
• 已有 GIMP、LibreOffice Calc、Impress、Writer、Thunderbird、VLC、VS Code、OS 的 LoRA 模組

它把學生(代理)弱點直接帶入資料生成與訓練，不再用同一套監督硬套所有錯誤。論文指出，在 OSWorld 八個桌面範疇，它平均比 EvoCUA-8B 高 11.6 個百分點，亦比 OpenCUA-7B 高 11.1 個百分點。

這項目適合要把小模型鎖定在指定桌面工作流的團隊，例如內部工具、自動化測試或較重視私隱的環境。它未必是即裝即用的一般工具，但對研究者、代理開發者，以及想低成本做範疇微調的人，很有參考價值。

GitHub： https://github.com/sujiikim/LearnWeak

Paper： https://arxiv.org/pdf/2605.28775

做文件問答評測時，很多工具只睇最後答案啱唔啱，但現實上，尤其是合約、財務報告、醫療文件呢類長篇 PDF，真正重要的是「答案來自邊一頁、邊一段、邊個區塊」。CiteVQA 針對的正正是這個缺口：它不只要求系統回答問題，仲要指出支撐答案的文件位置，而且細到元素層級，例如頁碼同區域框選。對想評估文件 AI 是否可靠的人來講，這比單純比拼答題分數實用得多。

實際使用上，這個專案較適合作為評測基準，而唔係一般用家即開即用的聊天工具。研究團隊、產品開發者或企業內部做文件自動化測試時，可以先取得資料集，再用自己的多模態模型跑推論，之後交畀評估程式比對答案與引用位置是否同樣正確。資料涵蓋英文與中文文件，來自 711 份 PDF、共 1,897 條問題，平均每份文件超過 40 頁，亦分成單一文件問答，以及要在多份文件中找答案的情境，難度相當貼近真實工作流程。

這個專案最值得留意的地方，是它把「答對」與「引對證據」綁埋一齊計分。核心指標 SAA 只有在答案正確，而且引用區域同標準證據對得上時先會得分，能更直接揭示模型有冇出現「講得似乎合理，但引用錯地方」的情況。根據公開結果，即使是表現較強的模型，答案分數與這種嚴格分數之間仍有明顯差距，反映現時不少系統其實未真正做到可追溯。這一點對高風險場景尤其重要，因為用戶要的不只是結論，仲要查得到根據。

重點可簡單整理成以下幾點：
– 不只評分答案，亦檢查引用證據是否真係來自正確頁面與區域
– 文件夠長亦夠真實，涵蓋 7 個大類領域、30 個細分類，並支援中英文
– 場景設計多樣，包括單文件、多文件但只有一份正確來源，以及多份來源都可能成立
– 適合測試文件型多模態模型，特別係要處理 PDF 版面、圖文混合與跨頁搜尋的系統
– 可用來比較模型可靠度，而唔係只比較誰的答案最似正解

從模型觀察角度看，這個基準亦提供了不錯的參考名單。公開結果提到的相關模型包括 Gemini-3.1-Pro-Preview、Gemini-3-Flash-Preview、GPT-5.4、Gemini-2.5-Pro、Seed2.0-Pro、GPT-5.2、Qwen3.6-Plus、GLM-5V-Turbo、Qwen3-VL-235B-A22B、Gemma-4-31B、Kimi-K2.5、Qwen3.5-397B-A17B 等。由這些結果可見，封閉模型在整體表現上暫時較領先，但開源模型同樣能作為對照組，方便團隊用統一方式測試自家方案。對要建立文件審核、知識搜尋、報告核對、法規查證流程的人來說，CiteVQA 的價值不在於幫你直接產生答案，而在於幫你分辨：哪個模型，才真係值得信。

GitHub： https://github.com/opendatalab/CiteVQA

Paper： https://arxiv.org/pdf/2605.12882

如果你對 AI 有興趣，但又唔想由指令列、插件同繁複設定開始，OpenHuman 這類桌面式助手會幾易入口。按項目說明，它偏向圖形介面操作，安裝後可用較短流程連接日常帳戶，幾下點擊就能開始使用，對一般用家算友善。

它真正想解決的，不是「答你一條問題」咁簡單，而是將分散喺 Gmail、Notion、GitHub、Slack、Calendar、Drive、Jira、Linear 等工具入面嘅資訊，整理成可持續使用嘅個人上下文。系統會自動抓取連接資料，並建立本機優先嘅記憶結構，令助手唔使每次都由零開始理解你做緊乜。

較有意思的地方，是它將記憶、工具同語音互動放埋一齊。資料會轉成較易處理的 Markdown 片段，存入 SQLite，亦可同步成相容 Obsidian 的筆記庫；同時又內建網頁搜尋、抓取、檔案操作、git、測試，以及語音輸入輸出，甚至提到可加入 Google Meet。模型方面，項目表示會按任務路由到不同類型模型，亦可選用本機 Ollama；相關能力涉及推理型、快速型、視覺型模型，語音輸出則提到 ElevenLabs。

重點可以咁睇：
– 以桌面介面為先，較少依賴技術設定
– 可連接 118+ 第三方服務，減少資料分散
– 本機記憶庫加 Obsidian 相容筆記，方便追蹤與整理
– 內建工具鏈較完整，唔使逐個插件補功能
– 透過 TokenJuice 壓縮內容，官方稱可降低成本與延遲

如果你係內容工作者、獨立開發者、創業團隊，或者本身已經有一堆雲端工具要管理，OpenHuman 的方向會幾吸引。不過它仍屬早期測試階段，實際穩定性、授權連接體驗同記憶準確度，較適合抱住嘗鮮加觀望心態去試。

網址： https://github.com/tinyhumansai/openhuman