执行先于记忆：诊断视频世界模型中的记忆失败

该论文提出 MIST 评测，把场景搭建与指令执行拆开，用来定位视频世界模型中记忆失败的瓶颈；并提出 M3-Agent，通过递归修正输入指令的细节来推动模型执行指令。在 MIST reveal 指标上，M3-Agent 相对基线提升超过三倍；在 WRBench 上 score T 提升 26.1%，MBench-T 上 score U 提升 52.7%。