Nhóm của Hà Khải Minh công bố khung đa phương thức thị giác Harness VISTA, nâng cao khả năng suy luận tương tác của mô hình.

Techub News tin tức, nhóm của Hà Khải Minh trong bài báo "VISTA: A Visual Harness for Reasoning in an Interactive World" đã đề xuất khung Harness VISTA dựa trên thị giác. Khung này cho phép các mô hình đa phương thức quan sát trực tiếp môi trường, lưu trữ hình ảnh gốc và có thể xem lại, phóng to và kiểm tra chi tiết bất cứ lúc nào trong quá trình suy luận mà không cần huấn luyện thêm mô hình. Trong đánh giá, Claude Opus 5.0 kết hợp với VISTA đã đạt điểm tối đa 100 trong tất cả 25 trò chơi công khai của ARC-AGI-3, với số hành động ít hơn 57.4% so với đường cơ sở của con người; GPT-5.6 Sol cũng hoàn thành tất cả các màn chơi với điểm số 99. Nhóm cũng đã xác minh phương pháp này trong các nhiệm vụ như trò chơi trình duyệt, mê cung và đặt nhiệm vụ thể hiện làm hướng nghiên cứu tiếp theo. VISTA bao gồm ba thành phần chính: quan sát thị giác, bộ nhớ thị giác không mất mát và kiểm tra thị giác chủ động, lần lượt chịu trách nhiệm cung cấp hình ảnh, lưu trữ lịch sử và xem lại theo yêu cầu. Khung này cải thiện hiệu suất của các mô hình đa phương thức hiện có trong các nhiệm vụ tương tác thị giác bằng cách lưu trữ hình ảnh gốc và cho phép mô hình chủ động truy xuất. (Qbit)