當 AI 影片模型控制鏡頭離開某個場景再折返時，常常會「認錯地方」——同一條街、同一件家具，回來時卻變成另一個看起來合理、但其實陌生的世界。Echo-Memory 想解的，正是這個讓生成影片失去一致性的老問題。整個研究的設計非常克制：只更換「記憶模組」，其餘一概不動。

Echo-Memory 以同一套 Wan 2.1 1.3B 動作到影片（action-to-video）模型作為共用底座，把記憶方式分成四大類——Context（原始幀滑窗）、Compression（壓縮後的學習 token）、Spatial（顯式空間讀寫狀態）、State-Space（區塊式 SSM 遞迴更新）。所有變體都掛在相同的寫入—讀取介面上，差別只在於「存什麼」和「怎麼取回」。這種單一變因的設定，讓四種記憶家族的表現可以乾乾淨淨地比較。

對研究員和工程師而言，項目提供了開發者指南。Echo-Team 已把訓練到 30,000 步的 Wan 2.1 1.3B 權重放在 Hugging Face 的 Echo-Team/Echo-Memory，並附上 SpatialVID 子集的動態訓練池設定文件，開發者指南亦提供中英雙語流程。評測方面，項目提供 GT replay、in-domain 180 度折返，以及 open-domain 編輯式回訪三種探測腳本，涵蓋靜態回放和場景重訪兩個維度。

要注意的是，目前的權重僅限 Wan 2.1 1.3B（epoch-0），Wan 2.2 以及 5B／14B 多尺度底座、以及超越靜態重訪的動態評測，仍列在路線圖上等待補齊。對於研究世界模型長期一致性、做可控影片生成，或是想在 LoRA／記憶外掛（memory adapter）方向動手的人，這個項目提供了一個難得的可重現基準；對一般讀者來說，它也示範了當鏡頭「回家」時，AI 為何會迷路、又該怎麼讓它記路。

重點摘要：

• 統一底座、只換記憶：以 Wan 2.1 1.3B 為共用骨幹，比較 Context、Compression、Spatial、State-Space 四種記憶家族。
• 可控變因設計：所有模組共享寫入—讀取介面，差異集中在「存什麼、怎麼取回」。
• 完整可重現資源：公開 30,000 步權重、SpatialVID 訓練池設定、雙語開發者指南與評測腳本。
• 三種回訪探測：GT replay、in-domain 180 度折返、open-domain 編輯式回訪，分別檢驗重播與折返記憶。
• 未來路線：Wan 2.2、5B／14B 多尺度底座與動態評測仍待補齊。

GitHub： https://github.com/Echo-Team-Joy-Future-Academy-JD/Echo-Memory

項目： https://echo-team-joy-future-academy-jd.github.io/Echo-Memory/

由微軟研究院、浙江大學、阿德萊德大學及 Monash University 共同發表的 Mirage，主打一個名為「Latent Spatial Memory」的方法，目標是讓 AI 影片世界模型在長序列生成時，仍能維持空間一致性。傳統做法會把 3D 場景快取為點雲，再反覆渲染成 RGB 影像重新編碼，Mirage 則直接把靜態場景以 3D latent tokens 儲存，於潛在空間中完成讀取、去噪與更新，繞開了 RGB 來回轉換的開銷。

這個項目想解決的問題很明確：影片世界模型在長時間生成下，3D 快取會愈來愈大、速度愈來愈慢，但場景內容其實變化有限。 Mirage 把「場景記憶」與「生成流程」解耦，用一套 Initialize、Read、Denoise、Update 的記憶生命週期，讓模型在生成每個 chunk 時直接讀寫一份共享的潛在快取，省下重複編碼的成本。

依據官方項目頁公布的 World-R1 基準數據，Mirage 達到約 70.36 的 WorldScore 平均成績，生成速度達到 10.57 倍提升，3D 快取記憶體用量則降低約 55 倍。論文亦提供與 Spatia、Voyager、Gen3C、VMem 等四個基準的定性比較，覆蓋同一軌跡下的條件輸入結果。官方程式碼則標示為「Coming Soon」，目前較適合研究員先閱讀論文與項目頁示範影片。

這個項目特別適合研究影片世界模型、3D 場景理解或擴散模型加速的團隊與學生，亦可作為 generative world model 課程的延伸閱讀。 對一般讀者而言，它展示了把「記憶」留在潛在空間而不還原成像素，是兼顧一致性與效率的可行方向。

重點摘要：

• 核心方法：以 3D latent tokens 儲存靜態場景，避免 RGB render-and-reencode。
• 記憶生命週期：Initialize、Read、Denoise、Update 四個步驟跨 chunk 共享快取。
• 效率數據：World-R1 上生成速度約 10.57 倍、3D 快取記憶體降約 55 倍、WorldScore 70.36。
• 比較基準：Spatia、Voyager、Gen3C、VMem。
• 目前狀態：論文已公開，程式碼尚未釋出。

GitHub： https://github.com/microsoft/LatentSpatialMemory

項目： https://microsoft.github.io/LatentSpatialMemory/

SWE-Explore-Bench 由上海交通大學、香港中文大學等團隊推出，專門考核編碼代理在「真正落筆修改前」探索程式碼庫的表現。現有的 SWE-bench 等基準只給出最終通過與否的二元結果，難以分辨代理是因為找對位置而成功，還是碰巧蒙對。這個項目把探索這一步抽離出來單獨計分，更貼近診斷代理能力的本質。

具體做法是收集同一議題的多條成功修復軌跡，從中抽取代理實際讀取的程式碼行範圍，整合出共識的核心上下文，再保留部分模型獨有的可選上下文。代理需要輸出一份按行範圍排序的程式碼區域清單，評分涵蓋覆蓋率、排序品質、上下文效率，以及下游受限修補驗證四個維度。這種行級監督比傳統的檔案級定位更細緻，能揭示代理的真正瓶頸。

資料集涵蓋 10 種程式語言、203 個開源項目中的 848 個議題，並提供 OpenAI 相容的端點，方便接駁不同 LLM 進行行範圍精修。實測結果顯示，具備代理能力的探索器明顯領先傳統檢索器，現代方法在檔案層級已相當成熟，但行級覆蓋與高效排序仍是區分頂尖方案的分水嶺。

適合關注 SWE-agent、AutoCodeRover、OpenHands 等代理框架的研究者、開發者及基準設計者使用。對想了解自家代理「讀碼環節」強弱的團隊而言，這是一個值得放入評測管線的參考項目。

GitHub： https://github.com/Qiushao-E/SWE-Explore-Bench

Paper： https://arxiv.org/pdf/2606.07297

SoCRATES 是一個用來評估 Large Language Models（LLMs）在社會衝突中擔任主動調解者的 benchmark。它關注的不是單次答題表現，而是調解過程：兩方在對話中情緒、意圖與情境會不斷改變，模型需要判斷何時介入，以及應該說甚麼，並且不能偏幫任何一方。

現有測試環境太單一，很多只涵蓋少量由專家撰寫的場景，或者把每一句對話都拿去對照所有議題評分，令結果混入不相關訊號。SoCRATES 則以 agentic pipeline 把真實公開爭議整理成場景，覆蓋八個衝突領域，並沿五條 socio-cognitive axes 測試模型在不同條件下的調整能力。

評分部分採用 topic-localized evaluator，只會在真正推進某個議題的回合上計分，並以三個 metrics 量度調解貢獻，減少離題內容影響結果。

• 以真實公開衝突建立場景，不限單一領域
• 測試 strategic posture、party composition、history length、emotional reactivity、cultural identity 五種變化
• topic-localized evaluator 與人類專家的一致度達 0.82
• 測試八個 frontier LLMs，最強模型亦只填補約三分一未調解時的共識落差

從目前結果看，SoCRATES 適合研究 LLM 調解能力、社會互動能力與多情境適應性的團隊使用，也適合用來比較不同模型在複雜對話任務中的穩定性。數據顯示，表現會因 socio-cognitive axis 明顯波動，說明這類項目的關鍵不只是語言生成，而是能否隨不同人、不同情緒與不同背景作出合適調整。

項目： https://disl-lab.github.io/SoCRATES/

現時不少 AI 圖片編輯工具，表面上改得唯肖唯妙，細看卻經常出現「睇落合理、其實犯駁」的情況。來自浙江大學 ReLER Lab 與香港大學的團隊推出 RE-Edit，正是針對這個盲點而設計的基準測試。

RE-Edit 全名為 REasoning-aware image Editing，包含 1,000 個精選樣本，並劃分成五個推理維度：物理（physical）、環境（environmental）、文化（cultural）、因果（causal）和指涉（referential）。每一條題目都刻意設計成「畫面睇落合理，但忽略了潛在邏輯」的情境，用以測試模型能否理解指令背後的隱含限制。

配合基準，團隊亦提出輕量級的後修補方案 EditRefine。做法是先讓多模態大型語言模型（MLLM）診斷初稿失敗之處，再產生帶有思維鏈（chain-of-thought）的重新編輯指令，由原本的擴散模型執行。這個「診斷—重做」流程可以套用在 FLUX.2 Dev、Qwen-Image-Edit 等不同執行器上，毋須重新訓練底層模型。

整套系統以 YAML 設定檔驅動，輸出會保留原圖、初稿、EditRefine 修補稿、chain-of-thought 文本以及重新編輯指令，方便逐個維度比對。對從事 AI 圖像編輯研究、產品測試或內容審核的團隊而言，RE-Edit 提供了一個可量化邏輯錯誤的測試場；對一般讀者來說，它提醒我們「改張相」背後其實牽涉文化、物理因果等多重常識。

重點摘要

• 1,000 個樣本橫跨五個推理維度，專門捕捉「畫面合理但邏輯犯駁」的失敗案例。
• EditRefine 以 model-agnostic 方式插入推理步驟，可搭配 FLUX.2 Dev、Qwen-Image-Edit 等不同模型使用。
• 評審採用 Qwen3-VL-30B 對 IF、SC 等指標作自動化判分。
• 設定檔以 YAML 管理，輸出包含初稿、refined 稿、CoT 文本與重編指令，方便追溯。
• 適合研究 AI 圖像編輯、內容審核及多模態推理的團隊作為統一基準。

GitHub： https://github.com/Yixuan-Ding-ZJU/RE-Edit

現實生活中，AI智能體幫我們安排行程、操作工具時，往往不會一開始就掌握所有限制條件，而是邊做邊發現新約束。AdaPlanBench（Adaptive Planning Benchmark）正是針對這種「邊做邊調整」的能力而設計的評測基準。它把 307 個家居任務當作起點，再用一套可擴展的約束構建流程，為每個任務加上兩類限制，逐步揭示給智能體。

這套基準的獨特之處在於「雙重約束」（dual constraints）與「逐步披露」（progressive disclosure）。一類是世界約束（World Constraints），即環境中不可用或失效的工具與物件；另一類是用戶約束（User Constraints），即用戶對工具屬性、使用方式或行為的偏好禁止。智能體每回合提交計劃，評判機制比對目前已揭示的約束並打分，違規時回饋錯誤，智能體需在多輪互動中持續修訂策略。

測試結果顯示這件事對現有模型而言並不容易。在中等約束量下，表現最強的 GPT-5 僅達到 67.75% 準確率，多數模型低於 45%，開源權重模型普遍在 30% 上下。研究亦發現，有效計劃率（VPR）高並不等於任務成功，約束增加時表現明顯下滑，而用戶約束帶來的挑戰尤其突出。

這個項目適合誰？ 如果你研究 LLM 智能體的規劃能力、互動決策或多輪推理，又或者你在做 Computer-use agents（CUAs）、OSWorld 等環境的應用開發，AdaPlanBench 提供了一個貼近真實、難度可控的測試場景。約束量設有低、中、高三檔（另有 4–6 檔作壓力測試），方便按需要調整難度。

以下是這個基準值得留意的重點：

• 雙重約束聯合測試：在同一規劃回合中同時考驗世界與用戶兩類限制，比單一約束設定更貼近現實。
• 增量披露設計：約束隨對話逐步揭示，逼智能體從回饋中推導並追蹤限制，而非依賴一次性完整規格。
• 可調節難度：每條查詢配備六種環境設定，已公開 Low、Medium、High 三檔，支援不同程度的壓力測試。
• 多輪回饋循環：智能體在達標、提早停止或回合耗盡前持續迭代，提供更豐富的行為數據。
• 多維度評估指標：除準確率外，亦記錄有效計劃率、平均回合數與重複違規率，協助診斷失敗模式。

涵蓋的模型包括 GPT-5、Claude 系列，以及多款主流開源權重 LLM，整體結果一致指向同一結論：在約束持續累積的情境下，當前 LLM 智能體仍難以做到穩健的適應性規劃。

GitHub： https://github.com/JiayuJeff/AdaPlanBench

大型語言模型（LLMs）會背誦訓練資料，但現有的記憶性評估大多只關心「能不能逼它說出來」，而忽略了「它在一般使用下到底會不會自己講」。PropMe 正是針對這個落差而設計的傾向感知（propensity-aware）評估框架，它把前綴式的能力攻擊（prefix-style capability attacks）與日常、非對抗的生成結果並列比較，計算出模型在真實情境下洩漏訓練資料的傾向。

整個項目的運作有兩大部分。PropMe 負責定義指標與分析邏輯；SimpleTrace 是一個建基於 infini-gram 的輕量離線追蹤流水線，負責為訓練語料建立索引、把模型生成結果對應回來源文檔，再計算出 verbatim、near-verbatim 與傾向轉換後的記憶性指標。流程包含索引建立、unigram 機率預計算、生成結果追蹤、驗證與傾向指標運算等步驟，資料夾 README 都各有詳細說明。

PropMe 以兩個完全開源的模型——Comma 與 DFM Decoder——在 Common Pile 與 Dynaword 兩份雙語資料集上做實驗。結果顯示能力（capability）與傾向（propensity）之間存在穩定落差：前綴攻擊能引出明顯的記憶痕跡，但日常或資料集特定的提示下，傾向分數普遍偏低。另一個有趣的發現是，從 Comma 持續預訓練而成的 DFM Decoder，對 Common Pile 的記憶能力與傾向都下降，顯示後續訓練若側重不同資料，能降低既有的記憶行為。

這個項目適合關注模型安全、版權與資料外洩的研發人員、模型審計人員及學術研究者。如果你正在評估自家模型的記憶風險，PropMe 提供了把「最壞情況抽取性」與「日常洩漏傾向」分開呈現的具體做法，比單純跑前綴攻擊更能反映真實部署風險。

重點摘要：

• 問題意識：區分模型「被逼才會背」與「日常會背」兩種不同行為。
• 核心框架：PropMe 負責傾向指標，SimpleTrace 負責把生成結果追蹤回訓練文檔。
• 技術基礎：建立在 infini-gram 之上，支援 verbatim、near-verbatim 與傾向轉換指標。
• 評估模型：Comma 與 DFM Decoder，資料集涵蓋 Common Pile 與 Dynaword 兩種語料。
• 實用價值：為模型記憶性審計提供比純粹對抗攻擊更貼近真實使用的衡量方式。

GitHub： https://github.com/N-essuno/PropMe

Paper： https://arxiv.org/pdf/2606.06286