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

近年 AI 生成影片愈來愈像真，但「似真」不等於毫無破綻。Artifact-Bench 這個項目，重點就是評估多模態大語言模型是否真的看得出 AI 影片中的不自然痕跡，而不只是大概明白畫面講甚麼。

它把測試分成三類：分辨真影片與 AI 影片、比較兩段影片哪段更真實，以及指出影片中可能出現的瑕疵位置或類型。這種設計比一般只看語意理解的評測更細緻，因為它直接針對「真實感」與「畫面破綻」做分析。

動手使用這個項目時，先要準備對應的影片資料集，再按照三個任務的 metadata 檔組織輸入。儲存庫亦提供了針對 Qwen3-VL 的評估流程，並支援選擇指定任務、控制輸出長度，以及用多張 GPU 分工推理，對需要批量測試模型的人較方便。

• 重點不在影片內容摘要，而在辨認 AI 生成痕跡
• 包含三種評測角度，覆蓋分類、比較與瑕疵辨識
• 已提供任務 metadata，較容易整理測試流程
• 內建 Qwen3-VL 評估管線，亦可作為其他模型的參考框架

這個項目特別適合做影片生成、模型評測、內容審核與研究真實感判斷的人參考。從儲存庫資訊可見，現成流程主要圍繞 Qwen3-VL；相關模型範疇則可延伸到多模態大語言模型，例如不同尺寸或版本的 Qwen3-VL。若你關心模型是否只是「識圖識片」，還是真的能講出哪裡假，這個項目有相當清晰的測試價值。

GitHub： https://github.com/FrankYang-17/Artifact-Bench

OpenComputer 主要處理一個很實際的難題：當 AI 代理要打開瀏覽器、改文件、用設計工具或整理檔案時，怎樣才算「真的完成任務」？它不是靠主觀判斷，而是為不同桌面軟件建立可檢查的狀態驗證方式，令評測結果更穩定，也較容易重現。

動手使用時，重點不是直接把它當成一般應用程式安裝，而是按專案提供的環境設定範本準備評測環境，再選擇本機沙盒或雲端後端，之後用現成任務去跑代理測試。專案亦分開了修復評測、AWS 遠端 Docker 與 Tencent Cloud 中國區部署文件，明顯是為較正式的實驗流程而設。

它最有意思的地方，在於把「出題」和「判卷」都系統化。除了為應用程式建立檢查端點，還會自動生成較真實、可機器驗證的桌面任務，並記錄整段操作軌跡，連部分完成的進度都可計分；比起只看最後答案，這種做法更適合分析代理卡在哪一步。

• 覆蓋 33 個桌面應用程式與 1,000 個已定稿任務
• 場景包括瀏覽器、文書、創作工具、開發環境、檔案管理與通訊軟件
• 評測不只看成敗，亦會保留操作過程與部分分數
• 驗證方式較依賴程式化檢查，不單靠語言模型做裁判

專案適合做 AI 代理、桌面自動化、基準測試或研究評估方法的團隊；一般用家未必會直接拿來日常使用。從論文內容看，相關對比亦涉及 frontier agents、open-source models，以及 OSWorld-Verified 這類評測結果，反映它比較像研究基建，而不是單一模型展示頁。整體而言，OpenComputer 的價值在於把電腦操作代理的評測，從「似乎做到」推進到「可以核實做到多少」。

GitHub： https://github.com/echo0715/OpenComputer

Paper： https://arxiv.org/pdf/2605.19769

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