让AI在交互式环境里「长眼睛」，可能比继续堆模型参数更有效。近日，深度残差网络ResNet一作、麻省理工学院副教授何恺明团队发布论文《VISTA: A Visual Harness for Reasoning in an Interactive World》，提出一套面向通用多模态模型的视觉原生Harness（外挂式推理框架），在不改动模型本身、不做任何额外训练的前提下，让现有多模态模型在ARC-AGI-3基准的25款公开游戏上全部通关，并拿下满分级的行动效率。
先交代背景。ARC-AGI系列是衡量AI抽象推理能力的标志性基准，其第三代的交互式版本ARC-AGI-3要求模型在未知环境中操作游戏、探索规则、达成目标，被普遍视为对Agent长程推理能力的严苛考验。此前主流做法是把环境信息抽象成文字描述喂给模型，或者对模型做专项微调。
VISTA的反常识之处在于：它让模型直接观察渲染后的画面。框架包含三个组件——视觉观察、无损视觉记忆与视觉检查：环境返回的每一帧画面（包括动作产生的中间动画帧）都以原始形式无损保存，模型可以在推理时随时调取任意历史帧，也可以放大其中任意区域检查细节。这解决了一个长期被回避的问题：我们让模型在视觉环境里做决策，却一直没给它「回头看」的能力，一旦关键信息滑出当前帧，模型只能靠记忆硬猜。
成绩单相当可观。在ARC-AGI-3的25款公开游戏上，VISTA将Claude Opus 5.0的相对人类行动效率（RHAE，衡量AI行动效率相对人类参照的指标）从40.68提升至满分100.00，全部通关；整个过程执行7302步，比人类参照组少57.4%。配合GPT-5.6 Sol时取得99.00。也就是说，同一个模型，装上这套视觉外挂后，从「表现平平」直接跃迁到「效率满分」。
这项工作的产业含义超出了游戏基准本身。对机器人、自动驾驶等需要长程视觉交互的领域，VISTA提示了一条低成本路线：与其昂贵地重训模型，不如先把「看什么、记什么、何时回看」的Harness设计做好。何恺明从ResNet到VISTA的轨迹，也再次印证了基础视觉研究的复利效应。