何恺明团队发布多模态Harness框架
2026.10.11 · 事件 · 论文 · 论文预印本
VISTA把环境画面原样存档，模型推理时可随时调取、放大检查，无需重新训练模型。
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——VISTA，让现有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。搭配VISTA，Claude Opus 5.0完成ARC-AGI-3全部25个公开游戏，动作效率得分满分100，所用动作数比首次游玩的人类基线少…
- VISTA由视觉观测、无损视觉记忆、主动视觉检查三组件构成
- 每帧原样存到上下文之外，含动画中间帧，按回合号和帧号索引
- 默认只向模型展示最后一帧，需要时再主动调取历史画面
- Claude Opus 5.0通关ARC-AGI-3全部25个游戏，效率得分…
- GPT-5.6 Sol同样全部通关，得分99；未额外训练新模型
为什么值得看
视觉记忆成为可随时调用的上下文，多模态智能体有了原生脚手架。
适合谁关注
关注多模态智能体、视觉推理与Agent框架的研究者和开发者。