在交互式视觉环境中，AI Agent 能否像人一样观察、推理和行动，并在陌生世界中从交互经验里持续学习？

ARC-AGI-3 是检验这类能力的典型基准——在多项交互式视觉游戏中，Agent 需要在不清楚游戏规则和目标的前提下，通过与环境持续交互，自主探索并理解其中的规律。

目前的主流方法，是先将画面转换为文本或结构化网格，再交给大语言模型（LLM）进行推理，并结合程序合成构建可执行的世界模型。

直接使用视觉-语言模型（VLM）处理画面，则存在一些限制：图像通常会被编码成视觉表征，而原始视觉输入随后不再保留。这些经过压缩的视觉表征可能无法保留后续推理所需的细节。随着上下文接近容量上限，早期观察还可能被删除，或被替换成文字摘要。更关键的是，模型在最初观察画面时，并不知道未来的推理过程中究竟会需要哪些视觉信息。对于长程交互而言，这意味着 Agent 既可能“记不住”过去看到的内容，也可能无法重新获取当时的视觉细节，从而限制持续推理能力。

为此，深度残差网络（ResNets）之父、麻省理工学院（MIT）副教授何恺明团队提出了一个面向通用多模态模型的视觉 Harness——VISTA。

论文链接：https://arxiv.org/pdf/2610.02200

VISTA 的核心思路是：让模型直接观察渲染后的画面，并将环境返回的每一帧以原始形式无损保存，包括动作产生的中间动画帧。模型可以随时调取任意历史帧，也可以放大其中的任意区域，从而在长程交互过程中保留完整的视觉历史，并根据当前的推理需求重新检查视觉细节。

图｜不同 Agent 设计的比较。

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）得分从官方实现的 40.68 提升至 100.00，全部通关。整个过程中，Agent 共执行 7302 步，相比首次游玩的人类参照组的 17135 步减少了 57.4%。

据论文称，VISTA 是首个无需依赖程序合成、仅基于视觉输入即可达到满分表现的系统，有望作为一种通用视觉 Harness，进一步推动多模态 Agent 在复杂视觉环境中的发展。

一、研究方法

VISTA 的设计围绕一个核心判断展开：模型在编码画面的那一刻，并不知道哪些视觉信息会在后续推理中变得重要，任何一次性编码都可能丢掉后来才需要的信息。

因此，VISTA 不改动模型本身，而是围绕模型搭建了一套 Harness，给模型提供一种“对交互历史的显式注意力机制”。整个 Harness 包括以下三个核心组件：

视觉观察（Visual observation）。模型直接接收环境渲染后的图像，而非文本化网格。图像保留了物体的外观与空间关系，模型可以直接调用预训练中积累的视觉先验来理解环境。

默认情况下，VISTA 接收 512×512 的 PNG 图像，由官方 64×64 帧经过 8 倍最近邻上采样得到，每帧约消耗 308 个图像 Token。作为对比，同样的 64×64 文本网格约需要 4000 个 Token。

无损视觉记忆（Lossless visual memory）。环境返回的每一帧都会以其原始形式存储，包括动作触发的中间动画帧。每帧按“回合号 + 帧号”建立索引，如 t67 f0–f5），并在整个交互过程中保持可寻址。

这份记忆独立于模型的上下文存在，即使上下文中的历史信息经过压缩或被移除，完整的视觉记录仍然保留。

视觉检查（Visual inspection），这是 VISTA 的核心机制。模型可以在空间和时间两个维度上主动检查视觉记忆。在空间维度上，它可以选择任意帧中的任意矩形区域，请求放大后的视图，以全分辨率查看整幅图像中难以辨认的局部细节；在时间维度上，它可以一次性检索任意早先回合的多帧画面，比较不同状态，并通过中间动画帧回放动作产生的变化。

此外，模型还可以使用 read pixels 工具，读取选定区域内像素的精确 RGB 数值。

图｜VISTA 的关键设计组分和每轮流程。

是否进行检查、检查哪些帧以及检查哪些区域，都由模型根据当前的推理需求自主决定。这样一来，模型获得了一种主动选择视觉证据的能力，可以在需要时重新查看过去的观察，也可以针对当前问题放大特定区域，而无需依赖最初一次视觉编码所保留下来的信息。

在具体流程上，模型与 Harness 通过多轮对话进行交互。Harness 本身不包含任何训练模型，只负责执行模型发出的工具调用、返回图像或像素值，并报告无效请求。每个游戏由同一个 Agent 贯穿完成；一个游戏回合内，Agent 可以与 Harness 进行多轮交互，随后调用 play 执行一个游戏动作。play 是唯一消耗游戏行动的步骤，inspect 和 read pixels 均不计入游戏行动。

与此同时，Agent 会维护两份笔记：GUIDE.md 用于记录对游戏机制的持久理解，并在不同关卡之间复用；WORKING.md 则作为当前状态下的临时工作区。模型采用自由格式的自然语言进行推理，提出假设、预测行动结果，并根据新的观察修订理解和后续计划。

当上下文接近容量上限时，Agent 会写下一份简短的交接摘要，在全新的上下文中继续运行。此时，GUIDE.md、WORKING.md、视觉记忆以及动作历史都会继续保留。所有游戏共用同一接口与同一段简短 Prompt，无需按游戏定制。

二、实验结果

研究团队在 ARC-AGI-3 的 25 个公开游戏上评估了 VISTA。评估指标 RHAE 对比了 Agent 与首次人类玩家的行动效率：完成关卡且行动数与人类基线持平得 100%，行动更少最高可得 115%，行动更多则拿部分分数，未完成的关卡计零分；越靠后的关卡权重越高。

结果显示，VISTA 配合 Claude Opus 5.0 取得 100.00 的满分 RHAE，配合 GPT-5.6 Sol 取得 99.00；同样的模型在官方实现下分别只有 40.68 和 13.33。使用 Claude Opus 5.0 的 VISTA 总共执行 7302 个行动，人类参考为 17135 个。

图｜对 25 款公开游戏的系统级比较。

在消融实验中，他们逐项验证了各组件的贡献。如下图，官方文本网格实现得分为 13.33；将观察方式替换为图像后，得分升至 47.32；提高动作与时间限制后达到 51.66；加入持续对话与原生上下文压缩后升至 65.82；加入 GUIDE.md 与 WORKING.md 两份笔记后达到 70.05；引入无损视觉记忆与视觉检查后，得分大幅跃升至 94.10；进一步加入像素读取，完整 VISTA 达到 99.00。其中，无损视觉记忆与视觉检查带来的提升最大。

直接比较两种观察表示，也能体现视觉输入的优势。如下图，相比于文本网格，视觉输入在 RHAE 得分、总动作数、单个游戏的 token 消耗三个方面，均具有优势。

另外，VISTA 的效果也不局限于单一模型和单一渲染形式。使用开源模型 GLM-5.3 Flash 320B，VISTA 将得分从 1.89 提升到 66.93；去掉 inspect 与 read pixels 两个工具后，得分则降至 13.27。将同样的游戏渲染为 3D 画面后，VISTA 仍取得 84.12 的得分，尽管完成任务所需的动作数从 9126 增加至 20640。

此外，他们还将同一套 Harness 以最小改动迁移到了 GameWorld、AI GameStore、BabyVision 三个新基准上。在 GameWorld 的 34 款浏览器游戏、170 个任务上，VISTA 的成功率达到 63.3%，任务进度达到 79.3%，均超过首次上手的人类玩家；在 AI GameStore 的 10 款游戏上，按人类中位数归一化后的得分几何平均值达到 140.3，高于人类基准的 100；在静态基准 BabyVision 的 39 道视觉追踪题目上，准确率也从官方实现的 41.0% 提升至 63.2%。

三、不足与未来工作

当然，这项研究依然存在一些局限性。

例如，模型自身的能力仍然是系统成功的关键。VISTA 只是提供了一种简单而有效的激发方式，其价值在于与模型能力的提升形成互补。

同时，他们所使用的模型发布时间晚于相关公开基准，因此无法排除这些游戏已经进入模型训练数据的可能性。未来如果能在 ARC-AGI-3 私有集等全新游戏上进行评估，将更有助于检验系统的泛化能力。

从更宏观的视角看，VISTA 的结果揭示了一个容易被忽视的变量：当多模态模型本身已经足够强时，如何组织观察与记忆，同样会影响 Agent 在长程任务中的表现。看什么、存什么，以及何时回看，都可能成为决定任务成败的重要因素。

他们认为，VISTA 的简单设计有潜力进一步拓展为游戏之外的通用视觉 harness。下一步，他们希望将其应用到更复杂、更真实的环境中，并在更接近物理世界的具身任务等场景中继续检验其有效性。

更多技术细节，详见原论文。