40分到100分，何恺明只做了一件事：把AI的眼罩摘了——VISTA正在打脸整个行业的”越大越强”迷信
AI飞行客 40分到100分，何恺明只做了一件事：把AI的眼罩摘了——VISTA正在打脸整个行业的”越大越强”迷信
同一个 Claude Opus 5，在 ARC-AGI-3 官方考场只拿 40 分。何恺明团队没动模型一个参数，没训一个新网络，只是给它摘掉眼罩、递上一本相册——它就把 25 个公开游戏全部打穿，满分 100。
这事在 X 上炸了，是有原因的。因为它戳破了一个大家心照不宣、但没人敢公开否认的假设：智能的进步，必须来自模型本身。
过去两年，整个行业的钱和 GPU 都砸在同一个方向——把模型做大、把推理拉长、把上下文撑到百万 Token。VISTA 论文用一组冷冰冰的实验数据说：你们可能卷错了地方。
先说清楚：AI 被”蒙着眼睛”考了半年
ARC-AGI-3 是 Keras 之父 François Chollet 和 ARC Prize 基金会今年 3 月出的 AGI 考卷。一堆交互式像素小游戏，开局零说明、零规则，全靠玩家自己摸。
评分极其苛刻：官方找了近 500 名人类小白实测，AI 不光要通关，步数还不能比人类多，才能拿满分。
问题出在哪？官方考场递给大模型的，只是一张 64×64 的数字表。人类眼里的小人、机关、路线，到模型那里只剩 4096 个数字。
打个比方：这相当于让你闭着眼，听别人报坐标去玩《超级马里奥》。
VISTA 做的第一件事朴素得有点可笑——把数字表换回图片。别的什么都没动，GPT-5.6 Sol 的分数当场从 13.33 分跳到 47.32 分。
更讽刺的是成本：一个数字格子要吃掉约 4000 个 Token，一张 512×512 的图片只要 308 个。跑完一局，文本版烧掉 7190 万 Token，图片版只要 3070 万——分数更高，还更省钱。
第二刀：给 AI 一本”不会失忆”的相册
光能看见还不够。一局游戏动辄几百步，多模态模型的老毛病是：图片看一遍，上下文一满就删，或者被压成几句文字摘要。等模型想回头核对细节，那一帧早灰飞烟灭了。
VISTA 的杀招是一本无损视觉记忆相册。每一帧画面连动画帧在内按编号原样存档，模型想看哪帧就调 `inspect` 翻出来，几帧并排对比、角落放大、`read_pixels` 读精确颜色都行。翻相册不算步数，只有真在游戏里操作才计步。
论文里有个极度”像人”的瞬间：BP35 第 3 关出现橙色方块，模型点了一下，橙块变成 X。它先停下来，把上一回合最后一帧和刚才三帧动画调出来并排回放，几回合后自己写道：”这就是我要的工具，用它搭天花板，挡住会要命的上升。”这一关，人类第一次玩要走 44 步，它只用了 34 步。
最狠的部分：它把两个”常识”当场证伪了
如果你觉得”那就多给上下文、多给像素不就行了”——恭喜你，和大多数人的第一反应一样。论文把这两招都测了：
上下文从 200K 开到 780K，每局 Token 从 3070 万涨到 1.057 亿，成绩反而从 99 分退到 93.9。
图片从 8 倍放大到 16 倍，每帧 Token 涨到 1229 个，成绩只剩 88.3；只放大 4 倍反而有 99.7，比默认还高。
论文的解释很直白：图片太大，多出来的 Token 白白占掉上下文，模型并没有因此看得更明白。
这就是 VISTA 最值得抄的地方——整套设计刻意追求极简。系统里没有一个新训练的模型，每个游戏的提示词都是同一份，一共四句话，没有一个字教它具体怎么玩。
程序派卷了一整个夏天，它写三句话就追平了
这个夏天，刷爆 ARC-AGI-3 的高分方案（比如 Tycho、Schema）走的都是同一条路：让大模型给每个游戏写一套能跑的程序，硬造一个模拟器反复试错。光跳棋游戏 LF52 一个，Schema 就写了整整 4000 行 Python。
而 VISTA 里的模型，只用自然语言在笔记里写了三句话，就搞定了同样的规则。论文称它是第一个不靠写程序、就在 ARC-AGI-3 上做到满分或近满分的系统。
这一点放到游戏之外才真正要命：真实世界里，没有谁能提前给你写好一套 4000 行的模拟器。
最终成绩：Claude Opus 5 打通 25 个游戏全部 183 关，每个游戏都是 100 分，总共走了 7302 步，只有人类的 0.43 倍；GPT-5.6 Sol 同样全部通关，拿到 99 分。m0r0 这关人类要走 1107 步，Claude 只用了 219 步。
而且这套纯机械、零训练的 Harness 极其泛用：塞进带透视的 3D 画面拿下 84.12 分；套上 GPT-5.6 Sol 扔进 34 个网页游戏（马里奥、2048、我的世界都有），任务成功率 63.3%，压过人类小白（55.3%）。哪怕是用官方实现几乎交了白卷（1.89 分）的 320B 开源模型，套上 VISTA 后被硬生生抬到 66.93 分——暴涨 35 倍。
一年三篇，何恺明在赌一件反主流的事
ARC 测试的主流解法，一直是被大语言模型垄断的文本推理。何恺明团队偏不信邪，一年连发三篇，死磕同一个判断：ARC 是视觉问题。
– 第一篇 VARC：1800 万参数的小号视觉模型从零训练，纯看图就追平人类平均分； – 第二篇 NAT-ARC：先让模型在 ImageNet 上看猫看狗补课，抽象推理跟着变强； – 第三篇 VISTA：小模型都不练了，直接给前沿大模型配上一双眼睛和一本相册。
串起三篇论文的是何恺明的博士生胡珂雅（本科上海交大 ACM 班，三篇里两篇一作）。曾经靠 ResNet 和 MAE 封神的何恺明，这一次把视觉路线一路推进了 AGI 考场。
我的判断：这是”模型外智能”的第一个硬证据
ARC Prize 联合创始人 Mike Knoop 有个判断值得记住：越来越多的”学习”，会发生在模型权重之外。
VISTA 让同一个 Claude 从 40 分到满分，靠的不是更大的模型，而是模型外面的一双眼睛和一本相册。这在过去两年”堆参数、堆推理、堆上下文”的行业叙事里，是一次相当扎眼的逆行。
对做工程的人，这篇论文的价值比任何 benchmark 排行榜都实在，因为它给了三条可以直接抄的结论：
1. 输入表示（representation）比模型规模更值得优化。同一帧画面，数字表和图片差了 34 分，而换表示的成本比换模型低几个数量级。 2. Agent 的”记忆”不该是压缩摘要，而是可无损回查的原始帧。上下文一满就删，是当前多模态 Agent 最被低估的性能杀手。 3. “给更多”往往是错的。上下文翻 4 倍、像素翻 2 倍，成绩全都下降——这是对”暴力堆资源”路线最直接的证伪。
何恺明团队的下一站，是充满真实画面的具身环境——那里没有人会提前把世界翻译成一张数字表。而这恰恰说明，VISTA 指出的问题，可能才是通往 AGI 路上真正没被解决的那个。