何恺明团队发布多模态Harness框架VISTA
原标题：何恺明团队发布多模态Harness框架
AI 摘要
何恺明团队在论文《VISTA: A Visual Harness for Reasoning in an Interactive World》中提出视觉原生Harness框架VISTA，让现有多模态模型无需重新训练即可保存原始画面并在推理时回看、放大和检查细节。在ARC-AGI-3评测中，搭配VISTA的Claude Opus 5.0通关全部25个公开游戏并获满分100，GPT-5.6 Sol得分99；在GameWorld、AI GameStore和BabyVision上成功率或得分也显著提升。该工作将视觉经验变为可随时调用的上下文，并指向具身任务等后续方向。
正文节选
何恺明团队发布多模态Harness框架 多模态模型的视觉原生Harness，来了！ henry 发自 凹非寺 量子位 | 公众号 QbitAI 多模态模型的视觉原生Harness，来了！ 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—— VISTA。 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%。 换成GPT-5.6 Sol，同样全部通关，得分达到