何恺明团队发布视觉原生Harness框架VISTA

过去一年，Harness（脚手架）成为智能体能力提升的一条重要路径。按来源描述，Anthropic曾以长时间编程任务为例介绍Harness如何帮助模型跨越多个上下文窗口持续推进任务：通过任务清单记录未完成事项，通过进度文件和代码保存已完成的工作，模型进入新窗口后读取这些信息即可接续。这套机制主要靠文字和代码保存任务状态。

但来源指出，进入真实视觉环境后，光有文字记忆不够。模型不仅要记住物体的位置和朝向，还要理解每次动作前后环境发生了什么变化；而且模型第一次看到一张图时，未必知道哪个细节后面会变得重要。这些视觉信息也很难提前用一份文字笔记完整记录下来。

在ARC-AGI-3这类基准中，已有思路是先把画面转成数字文本网格，再让模型编写程序模拟环境规则、验证行动方案。来源给出的问题是：环境越复杂，物体的外观、空间关系和动态变化越难被完整转化成文字和代码；交互历史越长，早期画面也会被移出上下文或被文字摘要替代。VISTA要回答的正是这个缺口——如何在不额外训练基础模型的前提下，让智能体在推理需要时重新检查过去看到的视觉信息。

VISTA设计了三个核心组件：视觉观测、无损视觉记忆和主动视觉检查，分别负责让模型看清画面、保存历史以及按需回看。

视觉观测负责把环境画面提供给模型。在ARC-AGI-3实验中，VISTA将官方提供的64×64画面放大为512×512的PNG图像，同时保留物体的颜色、外观和空间关系。

无损视觉记忆负责保存模型看到的画面。每次执行动作后，VISTA都会完整保存环境返回的所有画面，包括动作过程中的动画中间帧，并按回合号和帧号建立索引。来源的表述是：模型不必提前判断哪些信息值得记住，可以先把视觉经验完整保存下来留待后续使用。

主动视觉检查负责按需回看。通过inspect工具，模型可以指定某个历史回合调出对应画面，也可以裁剪、放大局部区域检查细节；如果想知道某次操作究竟改变了什么，还可以一次调出多帧对比动作前后的变化。来源把这套机制称为对交互历史的显式注意力——模型根据正在思考的问题，选择哪些视觉信息重新进入上下文。

完整保存画面不等于全部塞进上下文。在完整方案中，每次执行动作后框架默认只向模型展示最后一帧，动作过程中的中间画面统一保存在视觉档案里，等模型需要时再主动调取。来源认为这样既保留完整视觉信息，也避免大量历史图片持续占用上下文空间。

VISTA还引入两份文字笔记：GUIDE.md记录不同关卡之间可复用的规则和经验，WORKING.md记录当前关卡的状态、进度和后续计划。当上下文接近上限时，模型会先整理交接摘要，再进入新的上下文窗口继续执行任务，此前的文字笔记、动作历史和视觉档案都会保留下来。

按来源描述的执行流程，每个回合开始时模型先观察当前画面和可用动作，结合此前经验判断环境状态并提出行动假设；信息不足时调用工具回看历史画面、放大局部甚至读取像素信息寻找证据；找到证据后先预测操作可能带来的变化，动作执行完毕再把实际结果与预测对比，据此修正对规则的理解。

这里的关键约束是：VISTA并不额外训练新模型。环境理解、行动规划和推理仍由现成的多模态模型完成，Harness只负责执行工具调用、保存视觉历史并在需要时提供证据。来源的总结是，VISTA改变的不是模型本身，而是模型获取、保存和使用视觉信息的方式。

ARC-AGI-3是一套交互式视觉推理基准，不预先提供游戏规则和目标，智能体需要通过观察和行动自行摸索如何通关。来源称，搭配VISTA，Claude Opus 5.0完成了ARC-AGI-3全部25个公开游戏，相对人类动作效率得分达到满分100，所用游戏动作数比首次游玩的人类基线少57.4%；换成GPT-5.6 Sol，同样全部通关，得分达到99。

另外三个基准覆盖浏览器游戏、迷宫和连线任务。使用相同的GPT-5.6 Sol模型，相比官方基础框架，VISTA在GameWorld的170项任务中把成功率从40.0%提高到63.3%；在AI GameStore的10个游戏中，综合得分从47.3升至140.3，其中人类中位数被归一化为100；在BabyVision选取的39道迷宫与连线题上，准确率从41.0%提高到63.2%。来源特别提到，最后一组任务只有静态图片，模型也能通过放大局部、检查像素改善判断。

来源还称，同一套VISTA框架只需少量适配，就能用于不同的游戏与谜题。在结论上，研究把未来的验证方向指向更接近物理世界的具身任务：让模型在持续变化的环境中保存、复查并利用自己的视觉经验，决定下一步行动。

需要先明确证据层级。VISTA的论文存在、作者构成、ARC-AGI-3的基准性质属于已确认事实：论文三位共同第一作者为Qiushi Han、胡珂雅和Linlu Qiu，另外两位作者为Cathy Wu和何恺明。而上述全部评测成绩，均来自论文作者团队，经量子位报道转述，属于来源主张，未见第三方独立验证或复现。

一个明显的解释缺口是：报道未说明Claude Opus 5.0与GPT-5.6 Sol在没有VISTA时的基线得分。因此ARC-AGI-3上的100分和99分，无法单独拆出VISTA贡献了多少。相对而言，GameWorld、AI GameStore和BabyVision三组数据给出了“相同模型、官方基础框架对比VISTA”的对照，增益方向更清晰，但来源同样未披露这些官方基础框架的配置细节。

还有几项成本与边界未被回答：视觉档案长期保存原始画面带来的存储与检索开销，来源没有说明；论文是否已正式发表或仅以预印本形式发布，来源也未明确；VISTA在更接近物理世界的具身任务上的效果尚未验证，团队仅将其列为后续研究方向。

因此更稳妥的读法是：VISTA提出的问题——如何让视觉经验成为可随时调用、反复检查的上下文——以及它给出的工程路径（原样存档、按需回看、默认只喂最后一帧）是这篇工作最值得关注的部分；而具体分数应当视为待复现的团队自报结果，而非已经确立的能力结论。