同一个Claude Opus 5.0，在ARC-AGI-3官方测试框架里只有40分上下；套上一层"视觉外壳"，25个公开游戏全部通关、相对人类动作效率拿到满分100——模型一个参数没动，也没做任何微调。 做出这件事的是何恺明MIT团队，论文《VISTA: A Visual Harness for Reasoning in an Interactive World》十一假期刚挂上arXiv（编号2610.02200），节后一周内新智元、量子位、《麻省理工科技评论》中文版、36氪接连报道，知乎解读问题浏览量一周冲到近1.5万。新智元知乎36氪
如果你一直在追多模态模型的榜单和版本动态——为GPT-6还是Gemini纠结过订阅，也转发过EmbeddingGemma2"手机本地搜照片"的演示——这篇内容只解决一件事：分数暴涨60分，到底该高兴、该怀疑，还是该把它抄进自己的Agent里。
一、先给赶时间的人三条结论
VISTA不是新模型，是一套"怎么让模型看、记、回看"的脚手架（Harness）。它的证明方式是：同一个现成模型，换脚手架，成绩跳档。36氪
ARC-AGI-3的分数从此不能脱离测试框架单独引用——不同Harness下的分数没有可比性，这是这次事件对用户最实际的一条改变。
自己搭Agent的人，论文里"存全帧、只给上下文最后一帧、按需回看"的记忆设计可以直接抄，它同时解决能力和token成本两个问题。
二、VISTA干了什么：给模型装上"行车记录仪"
过去多模态模型做长程交互任务，主流做法是把环境"翻译"成文字：ARC-AGI-3官方框架就是让模型先把游戏画面读成由数字组成的文本网格，再靠写代码模拟规则。问题在于，物体的外观、朝向、动作前后发生了什么变化，很难提前翻译成一份"够用"的文字笔记——何况交互一长，早期画面会被挤出上下文。新智元的比喻很直白：过去半年，全世界顶尖大模型其实是"被蒙着眼睛"赶上AGI考场的。微博
何恺明团队（共同一作Qiushi Han、胡珂雅、Linlu Qiu，通讯含Cathy Wu与何恺明）的解法是三个组件：
视觉观测：环境返回的64×64小画面，放大成512×512的PNG原样呈现，颜色、空间关系一个不丢；
无损视觉记忆：每次动作后环境返回的所有画面全部存下——连动画中间帧都不放过，按回合号+帧号建索引；
主动视觉检查：模型卡住时可以用inspect工具调回任意历史回合，裁剪、放大局部，甚至一次调出多帧对比"我按下这个键之后到底变了什么"。知乎
B站UP主"豪苯"的总结很到位：相当于给长程交互推理装了行车记录仪——平时不看，出事回放。 文字笔记只负责记录模型"当前的理解"，原始画面保留为随时重审的证据。上下文默认只放最后一帧，历史帧存在档案里按需调取，交接新上下文窗口时先写摘要再切换。整套东西没有训练任何新模型，理解、规划、推理仍然交给现成的多模态模型。哔哩哔哩知乎
三、四组数字，看清"脚手架差"有多大
把多个报道的口径合并成一张表（基础模型均为GPT-5.6 Sol或Claude Opus 5.0，同一模型、只换框架）：
基准 | 任务量 | 官方框架 | +VISTA | 变化 |
|---|---|---|---|---|
ARC-AGI-3公开集 | 25款游戏 | Claude Opus 5.0约40分 | 100分（全通关），动作比人类首次游玩基线少57.4%；换GPT-5.6 Sol通关、99分 | 摘眼罩直接打满 |
GameWorld | 170项任务 | 成功率40.0% | 63.3% | +23.3个百分点 |
AI GameStore | 10个游戏 | 综合47.3 | 140.3（人类中位数归一化为100） | 从不及格到超人类中位 |
BabyVision（静态图） | 39道迷宫/连线 | 41.0% | 63.2% | 纯静态图也吃这套 |
注意最后一行：BabyVision里根本没有交互，只是静态图片，模型靠放大局部、检查像素也把判断变好了。也就是说，"看得完整+能回看"这件事，价值不只在Agent场景，读图问答同样受益。知乎
四、圈里在吵什么：这是进步，还是给榜单"作弊"开了个头
知乎的VISTA解读问题下，高赞回答（61赞同、36收藏）提供了一个不客气的视角：GPT-6 Astra此前靠"开辟新赛道"在ARC榜单上碾压别家，而VISTA反过来证明，这条新赛道的思维难度可能没那么多——本质上在harness层面付出功夫就能解决。 按这个逻辑，Astra的领先有多少是模型智能、多少是脚手架红利，需要重新估价。知乎
另一边，《麻省理工科技评论》中文版的口径是"同一个大模型，仅仅换了一套看世界和记东西的方式，成绩就能相差60分"——它把这件事读成正向信号：现有模型的视觉推理能力一直被测试框架低估了，官方分数是地板，不是天花板。麻省理工科技评论
两种读法都有道理，但都压不住同一个事实核查：这次满分是在25款公开游戏上拿的，ARC-AGI-3的私有集表现尚未公布，B站跟进视频已经点破"私有集才是检验泛化能力的关键"。 所以证据覆盖到这里，结论只能说到这里：VISTA证明了脚手架价值巨大，还没证明这套脚手架能外推到没见过的世界。哔哩哔哩
放到更大的图景里，这周的多模态圈其实在同时回答"下一代能力从哪来"的三个不同层：Opus 5.5式的"原生统一"（架构层，一个模型通吃模态）、EmbeddingGemma2式的"端侧小模型"（成本层，740M参数塞进手机）、以及VISTA式的外壳层（不改模型，改信息进出方式）。三层互相不取代，这也是为什么上周刚写完"先别急着换模型"，这周依然值得专门看VISTA——它动的不是你钱包里那个模型的底座。
五、掏钱用多模态的人，这周三件事能带走
1. 重读榜单：以后引用任何Agent/多模态分数，先问三句话。 用的什么harness？公开集还是私有集？模型动没动？这周的事件等于给所有"XX模型在YY基准吊打ZZ"的报道加了一道免责条款。对比评测只有同框架分数才能横向比，看到"同一个模型、换个框架涨60分"这种新闻，先想到你去年收藏的那份榜单大概率集体贬值了。
2. 自搭Agent的人，把VISTA当免费架构课抄。 三个设计成本不高但立刻可用：全量存原始画面（存储便宜）、上下文默认只放最新一帧（token贵）、给模型一个inspect工具按需回看+多帧对比（出错再翻记录仪，而不是提前为每张图写文字摘要）。对照之前社区反复踩的"多模态长对话丢细节"的坑，这是目前最省钱的解法原型——不用换模型、不用微调，项目页（vista-research.github.io）已放出框架思路。论文数据也印证了这套账：同样的任务，token消耗从71.9M降到30.7M，动作数从10614减到9126。
3. 准备入门的人，先补ARC-AGI-3的30秒背景再看热闹。 它是一套交互式视觉推理基准：不预先给游戏规则和目标，agent必须边观察边摸索；公开集25款游戏。 理解了"规则要靠模型自己猜"，你才明白"全程通关"和"刷静态QA榜"为什么是两种含金量。知乎
六、下一步盯什么信号
私有集成绩：何恺明团队或第三方把VISTA跑上ARC-AGI-3私有集的日子，才是"脚手架红利"兑现还是现原形的日子；
官方跟进：OpenAI/Anthropic们的Agent产品是否把"存原始帧+按需回看"做成默认配置——一旦官方harness补上眼罩，模型层的真实差距会重新浮出水面；
具身验证：论文自己把"更接近物理世界的具身任务"列为后续方向，配合GPT-6 Astra被讨论的机械臂精细操作，视觉记忆能不能扛住真实世界的连续变化，是下一个大新闻的伏笔。
一句话收尾：这半年多模态圈最贵的教训不是"哪个模型更强"，而是你看到的分数，只是模型戴着什么眼罩考出来的分数。在私有集和官方默认框架更新之前，把"等换代"的预算和耐心留给下一批信号——榜单要重读，脚手架值得抄，模型先别急着换。
