近日，MIT何恺明团队发布最新论文，提出纯视觉ARC抽象推理方案NAT-ARC。该方案打破依赖大语言模型的主流思路，创新性地利用ImageNet上的猫狗等自然图像进行MAE预训练，让模型学会“看”后，将视觉能力完美迁移至抽象格子推理。结果显示，NAT-ARC单模型在ARC-1上取得63.4%的pass@2分数，集成后达70.2%，仅凭专用LLM四分之一的参数量便逼近其水平。研究证实自然图像与抽象格子共享底层表征，预训练成功打通视觉路线的scaling瓶颈。作为CVPR 2026录用工作VARC的后续，NAT-ARC正持续突破视觉AI天花板。