何恺明团队提出 VISTA：为多模态模型搭建视觉记忆框架
把视觉经验存成可随时回看的“档案”，让多模态模型不用重训就能在长任务里复查画面细节，是 Harness 思路从文字走向视觉的一步。
何恺明团队发布 VISTA 框架：把环境返回的每一帧画面（含动画中间帧）原样存到上下文之外，模型需要时再调回来放大、对比。不用重训基础模型，Claude Opus 5.0 借此通关 ARC-AGI-3 全部 25 个公开游戏，动作效率得满分。
正文摘录
最近，何恺明团队在最新论文《VISTA: A Visual Harness for Reasoning in an Interactive World》中，提出了一套视觉原生的 Harness—— 它让现有的多模态模型直接观察环境、保存原始画面，并在推理时随时回看、放大和检查细节，无需从头训练。 相比于传统将环境抽象成文字或代码的做法，VISTA 保留了 原始的视觉信息 。模型可以根据眼下的问题，将过去看过的画面重新调入上下文，参与当前的判断与推理。 基于这套方法，视觉经验成为了模型随时调用、反复检查的上下文，而多模态模型，也有了围绕视觉记忆搭建的原生脚手架。 在评测方面，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% 。 更进一步，团队还在浏览器游戏、迷宫和连线题中验证了这套方法，并将更接近物理世界的具身任务列为后续研究方向。 从 ResNet、Mask R-CNN 到 MAE，视觉感知与表征学习始终是何恺明研究的一条主线。 这一次，VISTA 将目光投向了一个新问题：如何让模型在持续交互中积累、保存并利用视觉经验？ 去年 11 月，Anthropic 曾以长时间编程任务为例，介绍了 Harness 如何帮助模型跨越多个上下文窗口，持续推进任务。 具体来说，Harness 会通过任务清单记录尚未完成的事项，通过进度文件和代码记录保存已经完成的工作。 这样一来，即使模型进入新的上下文窗口，也能通过读取这些信息，了解此前做了什么、接下来该做什么。 可以说，这套主要通过文字和代码来保存任务状态的 Harness，在一定程度上推动了这一波 Agent 能力的爆发。