近日，何恺明团队发布最新论文，提出视觉原生的多模态Harness框架VISTA。该框架无需从头训练，即可让现有多模态模型直接观察环境、无损保存原始画面，并在推理时随时回看、放大检查细节，将视觉经验转化为可随时调用的上下文。在ARC-AGI-3评测中，搭配VISTA的Claude Opus 5.0以满分通关全部25个游戏，动作数比人类基线少57.4%；GPT-5.6 Sol也近乎满分通关。此外，在浏览器游戏、迷宫等任务中，VISTA均显著提升了模型成功率。未来，团队将向更接近物理世界的具身任务拓展，持续探索视觉经验的深度利用。