何恺明团队让AI摘掉眼罩，Claude满分打穿AGI考试

何恺明团队新论文VISTA在X上引发关注。论文显示，过去半年顶尖大模型在ARC-AGI-3测试中表现不佳，原因是官方只给模型一张64×64的数字表，相当于让人闭眼听坐标玩游戏。VISTA团队将数字表换回图片，GPT-5.6 Sol分数从13.33跳至47.32；同时看图更省算力，文本版一局烧7190万Token，图片版仅3070万，分数更高。

VISTA核心是给模型配一本无损视觉记忆“相册”，每帧画面按编号存档，模型可随时调用inspect翻看、对比、放大，还能用read_pixels读精确颜色。翻相册不计步数，只有游戏操作才计步。团队称之为“显式注意力”。模型还带两个笔记本：GUIDE.md记规则，WORKING.md当草稿纸。

论文记录了一个“像人”的操作：BP35游戏第3关出现橙色方块，模型点后变X，它调出前几帧动画并排回放，几回合后写道“这就是我要的工具，用它搭天花板，挡住会要命的上升”。该关人类首次需44步，它只用34步。在《吃豆人》中，它两次翻回开局第一帧记迷宫地图。

实验显示，多塞上下文或多给像素都不灵。上下文从200K开到780K，Token从3070万涨到1.057亿，成绩从99退到93.9；图片放大16倍，成绩只剩88.3，放大4倍反而99.7。团队刻意追求极简，系统无新训练模型，每个游戏提示词都是同一份四句话。

此前高分方案如Tycho和Schema，需让大模型为每个游戏写程序造模拟器，光跳棋游戏LF52，Schema就写了约4000行Python。而VISTA模型只用自然语言在笔记里写三句话就搞定同样规则。论文称，VISTA是首个不靠写程序就在ARC-AGI-3上做到满分或近满分的系统。

Claude Opus 5打通25个游戏全部183关，每游戏100分，共走7302步，仅人类0.43倍。GPT-5.6 Sol同样全通关，拿99分。m0r0游戏人类需1107步，Claude只用219步。该Harness极泛用：塞进3D画面拿84.12分；套GPT-5.6 Sol进34个网页游戏，任务成功率63.3%，超人类小白55.3%；静态看图题也能用；320B开源模型套上VISTA后从1.89分抬到66.93分，暴涨35倍。

何恺明团队一年连发三篇ARC论文，押注“ARC是视觉问题”：VARC用1800万参数小视觉模型从零训练，纯看图追平人类平均分；NAT-ARC让模型先在ImageNet补课，抽象推理变强；VISTA直接给前沿大模型配“相册”。串起三篇的是何恺明博士生胡珂雅，本科出自上海交大ACM班，三篇中两篇一作、一篇二作。VISTA另两位共同一作是MIT博士生Qiushi Han和Linlu Qiu，MIT副教授Cathy Wu也在作者之列。

这挑战了行业默认路线：过去大家拼命做大模型、拉长推理，VISTA却靠模型外的一双眼睛和一本相册，让同一Claude从40分打到满分。ARC Prize联合创始人Mike Knoop判断，越来越多“学习”会发生在模型权重之外。何恺明团队下一站是充满真实画面的具身环境。