手机GUI智能体有个毛病，记忆太死板。它们把成功的操作轨迹存下来，下次碰到类似任务就翻出来复用。可新任务几乎不会和旧任务一模一样——参数变了，界面改了，按钮挪了位。arXiv上的DeltaReplay提出"任务相对"的记忆复用，不照搬整条轨迹，按新任务的需要裁剪、对齐旧经验。别背答案，学会抄思路。
智能体会做决策，可怎么衡量它的决策能力，一直是笔糊涂账。拼图、推箱子这类题目，常被拿来测顺序决策能力，但不同研究范式各测各的，结果没法横向比较。有篇论文提出一套三维刻画框架，把任务难度、推理深度、环境反馈这些维度拆开，让不同方法的评测结果能放进同一张表。评测标准不统一，排行榜再热闹也只是自嗨。
另一篇BrickBench盯上了乐高。给一句文字提示，智能体得自己设计并拼出一套结构，既要符合语义要求，又要满足设计标准。这活儿比答题难：从文字到三维实体，中间要过空间推理、部件规划、稳定性判断几道关。有了这个基准，"能不能动手做出来"就成了可量化的分数。
三篇论文指向同一个尴尬：智能体的能力在涨，记忆机制和评测方法没跟上。记不住、比不了、造不出，是大模型下场当"手脚"时要过的三道坎。DeltaReplay管复用，三维框架管比较，BrickBench管动手，能不能串成一条线，还得看后续。