何恺明团队发布多模态视觉 Harness 框架 VISTA，提升模型交互推理能力

Techub News 消息，何恺明团队在论文《VISTA: A Visual Harness for Reasoning in an Interactive World》中提出视觉原生的 Harness 框架 VISTA。该框架让多模态模型直接观察环境、保存原始画面，并可在推理时随时回看、放大和检查细节，无需额外训练模型。 在评测中，搭配 VISTA 的 Claude Opus 5.0 在 ARC-AGI-3 全部 25 个公开游戏中达到满分 100 分，所用动作数比人类基线少 57.4%；GPT-5.6 Sol 同样全部通关，得分 99。团队还在浏览器游戏、迷宫等任务中验证了该方法，并将具身任务列为后续研究方向。 VISTA 包含视觉观测、无损视觉记忆和主动视觉检查三个核心组件，分别负责提供画面、保存历史以及按需回看。框架通过保存原始画面并让模型主动调取，提升了现有多模态模型在视觉交互任务中的表现。（量子位）