最近，何愷明團隊喺新論文《VISTA: A Visual Harness for Reasoning in an Interactive World》提出一套「視覺原生」嘅 Harness，叫 VISTA。簡單講：咗個視覺檔案夾，畀模型可以隨時回看、放大同檢查以前睇過嘅畫面，唔使由頭重訓模型。
以前嘅做法係將環境抽象成文字或代碼，讓模型編程模擬規則；問題係環境越複雜，轉文字越失真，而早期畫面會被逐移出上下文，或被文字摘要替代。VISTA 嘅研究問題就係：如何喺唔額外訓練嘅前提下，讓模型喺推理時重新檢查過去睇到嘅視覺信息？
答案係三個核心組件：視覺觀測（將環境畫面放大提供，例如 ARC-AGI-3 嘅 64×64 官方畫面放大為 512×512 PNG）、無損視覺記憶（每次動作後完整保存所有返回畫面，包括動畫中間幀，按回合號同幀號建索引）、主動視覺檢查（透過 inspect 工具調出特定回合、裁剪放大局部、一次多幀對比）。
模型喺每個回合先觀察當前畫面，若資訊不足可調用工具回看歷史、放大局部甚至讀取像素；找到證據後先預測操作可能帶來嘅變化，執行完畢再將實際結果同預測對比，據此修正對遊戲規則嘅理解。呢個機制論文稱「對交互歷史嘅顯式注意力」。
另外，VISTA 同以往 Anthropic 介紹過嘅 Harness 一樣，喺長時間任務引入兩份文字筆記：GUIDE.md 記錄跨關卡可複用嘅規則，WORKING.md 記錄當前關卡狀態、進度同後續計劃；當上下文接近上限，先整理交接摘要再進入新窗口。
重點：VISTA 冇為此額外訓練一個新模型，環境理解、行動規劃同推理仍由現有模型完成。它改嘅唔係模型本身，而係模型獲取、保存同使用視覺信息嘅方式。
評測方面：搭配 VISTA，Claude Opus 5.0 喺 ARC-AGI-3 嘅 25 個公開遊戲全數通關，相對人類動作效率得分達滿分 100，所用遊戲動作數比首次遊玩嘅人類基線少 57.4%；GPT-5.6 Sol 同樣全通，得分 99。喺 GameWorld 嘅 170 項任務，成功率由官方基礎框架嘅 40.0% 提升至 63.3%；AI GameStore 嘅 10 個遊戲綜合得分由 47.3 升至 140.3（人類中位數歸一化為 100）；BabyVision 嘅 39 道迷宮同連線題準確率由 41.0% 升至 63.2%。
論文三位共同第一作者為 Qiushi Han、胡珂雅同 Linlu Qiu，另外兩位為 Cathy Wu 同何愷明。研究將未來驗證方向指向更接物理世界嘅具身任務。
阿調搞兩下：呢個嘅賣點唔係「模型變強」，而係「唔使改模型，加個視覺檔案就夠」。傳統做法將環境轉文字，越長越失真；VISTA 保留原始畫面，需要時再回看，相當於畀 Agent 配咗個可以隨時翻睇嘅相簿。要留意嘅係：以上數據來自論文自身，未有獨立第三方複現；同以往一樣，廠商自報嘅跑分同第三方獨立測試係兩回事。
阿調｜深度調教
