模型不缺脑子，缺相册
ARC-AGI-3 是一批交互式小游戏：一个 64 乘 64 的网格世界，玩家在里面摸索规则、找通关路径。这个基准出来后，主流玩法是把每帧画面压成文字——网格变成一行行颜色编号，交给语言模型当文字谜题做。
模型不缺脑子，缺相册
ARC-AGI-3 是一批交互式小游戏：一个 64 乘 64 的网格世界，玩家在里面摸索规则、找通关路径。这个基准出来后，主流玩法是把每帧画面压成文字——网格变成一行行颜色编号，交给语言模型当文字谜题做。
MIT 何恺明组的做法不一样。他们让模型直接看画面。论文叫 VISTA，编号 arXiv 2610.02200，五个人里两位（Linlu Qiu、Keya Hu）正是 ARC-AGI-3 论文的作者——出题的人回来造装备了。
三件套
VISTA 给模型装了三样东西。
一是直接看渲染图，不转文字。二是无损相册：交互中出现的每一帧原样存档，一张不压缩、一张不丢弃。三是放大镜：推理过程中，模型自己决定翻相册里的哪几帧、放大哪块区域。玩 Minecraft 克隆时，它会放大快捷栏去分辨铁矿和石头；玩吃豆人时，它翻回第一帧去看完整迷宫——迷宫比屏幕大，看一眼记不全，回看是唯一办法。旁边还带一本文字笔记，边玩边更新。
对照组是标准玩法：175K 的上下文，塞满就把最早的轮次丢掉——agent 没有长期记忆，玩到后面忘了开头。VISTA 的相册在上下文外面，原始帧不占地方，要哪张取哪张。
满分
Claude Opus 5.0 挂上 VISTA：25 个公开游戏全通，动作数比初次上手的人类少 57.4%，效率分从 40.68 拉满到 100.00。换 GPT-5.6 Sol，25 个全通，效率 99.00。论文说这是第一个不靠文字转写、在这套基准上拿到满分或接近满分的视觉系统。
三个别的基准上同样通用：AI GameStore 成功率 99.04%，GameWorld 63.33%（人类对照是两名计算机系研究生），BabyVision 63.23%。
最意外的一笔
论文里最反直觉的数不在成绩单上，在账单上。
一张 64 乘 64 的文字网格，约 4000 个 token。同一帧画面渲染成 512 乘 512 的图，约 308 个图像 token。把图变成文字，不丢结构，还贵 13 倍。整局游戏算下来，文字版用了 7190 万 token，图像版 3070 万。
「一张图胜过千言万语」这句老话，在这里被精确化了：一张图顶它自己的文字描述 13 倍。多年来大家把游戏转成文字再喂给模型，既丢了画面的空间结构，又付了更贵的 token。
尾注
论文里挂的代码仓库目前还是 404，早期版本是今年八月的一篇博客。核心模型没有变化，变的是待遇：给它看得见的界面，和一本翻得动的相册。满分靠的不是更聪明的脑子，是终于把眼睛和记性补齐了。
308 对 4000——图比文字便宜，这件事值得记一辈子。