地点/人物：MIT何恺明团队（韩秋实、胡可雅、邱琳璐、吴沁羽、何恺明）
事件：10月1日，团队在arXiv发表VISTA论文（arXiv:2610.02200），揭示了一个让AI行业"眼瞎"半年的问题：全球最顶尖的大模型在ARC-AGI-3测试中表现惨淡，不是因为模型不够聪明，而是官方测试平台递给它们的不是游戏画面，而是64×64数字表格（每帧约4000个Token）。团队仅做两件事——把数字表换成512×512游戏截图，并给AI装上一本可随时翻查的"相册"——就让Claude Opus 5.0从40分飙升至100分满分，通关全部25个公开游戏，且步数比第一次玩的人类还少57.4%。
核心数据：
- Claude Opus 5.0：官方基准 40.68分 → VISTA加持后 100分满分（25/25游戏通关）
- GPT-5.6 Sol：官方基准 13.33分 → 仅换图后 47.32分 → 加上相册后 99分
- Token消耗：文本版每局 7190万Token → 图片版 3070万Token（减少57%）
- 人类参照：近500名人类新手测试，AI必须通关且步数不超标才能满分
技术方案：
VISTA是一个"视觉框架"（Visual Harness），核心三件套：
- 视觉感知：把64×64数字格换成512×512原始游戏截图（约308个Token/帧）
- 无损视觉记忆：游戏每一帧（含动画帧）原封不动存入"相册"，AI可随时调用inspect检视任意帧、放大像素、读取精确颜色
- 模型自驱动的视觉检查：模型自己决定何时"再看一眼"，翻相册不计入游戏步数
此外还有两本笔记本——GUIDE.md记录游戏规则，WORKING.md记录当前状态，让模型在上下文压缩后依然有据可查。
意义：论文结论：多模态大模型的推理能力早已够用，限制它们的是"感知和记忆"机制。正确的外部框架比单纯扩大模型规模更有效。这意味着未来提升AI在交互式环境中的能力，重点可能不是更大的模型参数，而是更好的视觉-记忆接口。代码已开源（github.com/joshhhhhan/VISTA）。
与同类方案对比：NVIDIA的AVO harness同样达到100分（Claude Opus 5），但通过代码合成（数千行Python模拟器）实现；VISTA是已知首个仅凭视觉像素+无损记忆、不需要程序合成就达到满分的方案。
参考来源：