👁️ 别在黑屋子里背电话号码簿：以费曼之眼拆解何恺明团队新作 VISTA，看 87 词如何令视觉智能体顿悟物理世界

🕹️ 楔子：一场蒙着眼睛打红白机的荒诞剧

诸君不妨先放下手头的论文与代码，随吾做个最朴素不过的思想实验。

假设在一个周日下午，吾把你按在一台老式街机前。屏幕是一块 \(64 \times 64\) 像素的方格画布，里头立着个蓝色的十字小人、几扇涂着洋红色的门，右下角还横着一条绿色的短槽。这款游戏名叫 ls20，压根没有说明书，旁边也没人给你递攻略。你手里只有上下左右四个方向键、一个动作键，外加一个鼠标点击器。你会怎么玩？

三岁孩童皆知其理：先按一下“右”，眼睛盯着屏幕看——哟，蓝色小人往右挪了一格，右下角的绿色槽短了一小截；再操控小人往洋红色的块上撞一下——纹丝不动，原来是堵死墙；接着去踩一下地上那个黄色的方格——只听叮的一声，远处的洋红色门消融了！不到半分钟，你眼里便有了这方寸天地的规矩：蓝十字是我自己，绿槽是步数体力，黄格是机关钥匙，洋红是门锁。通关不过是顺水推舟之事。

就这么回事。

然而，在过去一整年里，人工智能界最顶尖的一群聪明人，在面对 ARC-AGI-3（第三代抽象与推理交互基准）这类游戏时，干出了一件令吾辈啼笑皆非的荒唐事。他们把当今最强大的大语言模型请上牌桌，第一步却是用黑胶带把模型的“眼睛”死死封住！接着，他们把那张本该一眼看穿的 \(64 \times 64\) 彩色画面，硬生生拆解成 4,096 个冷冰冰的十进制整数，排成一串长长的文本数组塞进对话框，宛如逼着一个丹青画师蒙着眼去背诵一整本电话号码簿！

💡 概念批注：ARC-AGI-3（Abstraction and Reasoning Corpus for Artificial General Intelligence 3，第三代通用人工智能抽象与推理基准）

由 François Chollet 等人发起的流体智力评测基准之第三代演进形态。与前两代“给定几组静态输入输出网格、单步猜出目标网格”的看图填空不同，ARC-AGI-3 将评测置于 未知规则的多关卡交互式 2D 网格游戏环境（公开集包含 25 款多关卡游戏，共计 183 个独立关卡）。智能体在不获知任何先验规则、物体语义与奖励说明的前提下，必须通过连续动作交互（ACTION1–ACTION7）自主探索物理机制、破解机关谜题并规划通关路径，以此衡量机器在陌生动态世界中的零样本适应力与行动效率。

更滑稽的戏码还在后头。为了弄懂这串“电话号码”的规律，此前排行榜上的夺冠系统——诸如 Schema、Tycho、Retrodict 之流——纷纷祭出了一个听起来唬人至极的大词：“显式可执行世界模型合成”（Explicit Executable World-Model Synthesis）。智能体每走几步，就停下来吭哧吭哧地写 Python 代码，试图用几千行 if-else 分支、类定义和状态转移函数，把整个游戏的物理引擎在沙盒里重新默写一遍！

吾翻看了论文里的统计数字，差点把咖啡喷在手稿上：在 lf52 这款游戏里，那套基于代码合成的智能体足足写了 4,055 行 Python 代码、定义了 71 个函数，甚至还给自己配了一套自动化回归测试框架！每通关一款游戏，它平均要憋出将近 4,000 行代码，消耗高达 7,190 万个 Token。而如果不挂这套沉重的外部代码合成器，直接按官方标准基线去跑最前沿的大模型，结果如何呢？GPT-5.6 Sol 只有可怜巴巴的 13.33 分，Claude Opus 5.0 也才 40.68 分，Gemini 3.1 Pro 更是只有 10.68 分（人类基准为 100 分）。

2026 年秋，麻省理工学院（MIT）的 何恺明（Kaiming He） 与 吴佳俊（Cathy Wu） 团队——韩秋实（Qiushi Han）、胡可亚（Keya Hu）、邱林路（Linlu Qiu）三位共同一作——发表了一篇题为 *VISTA: A Visual Harness for Reasoning in an Interactive World* 的论文（arXiv:2610.02200v1），并开源了全套代码 VISTA。

他们没有训练哪怕一个新参数，没有造任何花哨的神经网络模块，更没有让模型写一行所谓的世界模型代码。他们仅仅干了一件极其朴素的事：把蒙在模型眼睛上的胶带撕下来，递给它一副度数刚好的老花镜、两页薄薄的草稿纸，外加一段只有 87 个英文单词的叮嘱。

结果如何？

• Claude Opus 5.0 直接拿下了 100.00 的满分，100% 打通全部 25 款游戏、183 个关卡，所用总步数（7,302 步）比人类玩家（17,135 步）足足少走了 57.4%！
• GPT-5.6 Sol 从官方基线的 13.33 分一跃冲上 99.00 分（三次独立运行均值 \(99.04 \pm 0.17\)），翻了整整七倍有余，且单局 Token 消耗比代码合成派省了一半以上！

这简直就像当年吾在挑战者号航天飞机调查听证会上，把那圈橡胶 O 型圈扔进冰水杯里一样痛快淋漓。今天，吾辈便用费曼拆解物理玩具的刀法，把 VISTA 的论文与源代码一层层剖开，看看这群 MIT 的学者究竟捅破了怎样一层窗户纸。

---

🗿 第一章：草台班子科学（Cargo Cult）与“褐喉树莺”之困

吾父曾携幼年之吾漫步卡茨基尔山林间。彼时有群孩童指着枝头小鸟考我：“汝知此鸟何名？”吾摇首不知。彼辈得意洋洋，报出一串拉丁文学名、德文俗名与英文称谓，嗤笑吾父未曾教我。吾父却蹲下身微笑着对我说：“听着，理查德，哪怕你把这只鸟在全世界的名字都背得滚瓜烂熟，你对这只鸟本身依然 一无所知。你真正该去看的，是它怎么啄理羽毛、怎么在树枝间起落、为什么偏偏在雨后出来觅食。”

这就是吾一生信奉的第一铁律：命名不等于理解（Naming \(\neq\) Understanding）。

在当今的 AI 智能体（Agent）领域，到处都飘荡着“褐喉树莺”的华丽名字。当一个视觉语言模型（VLM）在交互式游戏里连墙壁都撞不明白时，许多研究者不去问“它到底看见了什么”，反而发明了一连串金光闪闪的学术名词：*Symbolic World-Model Induction*（符号世界模型归纳）、*Program-Guided Retrodiction*（程序引导反溯）、*Neuro-Symbolic State Abstraction*（神经符号状态抽象）。

为什么这群绝顶聪明的研究者会集体掉进这种 草台班子科学（Cargo Cult Science） 的陷阱里？

💡 概念批注：草台班子科学（Cargo Cult Science，亦译“货物崇拜科学”）

物理学家理查德·费曼于 1974 年加州理工学院毕业典礼演讲中提出的著名科学哲学隐喻。二战期间，南太平洋岛民目睹盟军飞机降落带来大量物资；战后岛民用竹子搭建假控制塔、戴上木头耳机、点起跑道篝火，严格模仿地勤人员的一切外在动作，期盼飞机再次降临。费曼借此批评那些“表面上遵循了科学研究的全部形式规范（如繁复的公式包装、庞大的代码工程），却遗漏了最根本的科学诚实与直接经验检验”的研究范式。

让我们把账本摊开算清楚。当你面对一个二维交互视觉世界时，既有的方法干了两件违背基本物理直觉的蠢事：

#### 1️⃣ 第一桩蠢事：把二维几何空间拍扁成一维字条 一张 \(64 \times 64\) 的网格图，在视觉上是浑然一体的二维流形：左上角的钥匙和右下角的锁孔，人眼一扫便知其对角方位；一个 \(3 \times 3\) 的刚体小滑块往右平移一格，在视网膜上只是同一个连通域的刚性位移。

可一旦你把它拍扁成一维文本数组 [[0, 0, 12, ...], ...]，物理直觉便被彻底粉碎了：

• 二维拓扑邻近性被撕裂：在二维画面上紧挨着的上下两个像素 \((x, y)\) 与 \((x, y+1)\)，在一维文本流里中间隔了整整 64 个数字和一堆逗号与空格！模型必须消耗宝贵的自注意力头（Self-Attention Heads），跨过上百个 Token 的鸿沟去死记硬背“第 \(k\) 个数字正好顶在第 \(k+64\) 个数字的脑门上”。
• Token 预算被挥霍殆尽：一帧 \(64 \times 64\) 的文本网格要吃掉大约 4,000 个文本 Token。如果一次按键触发了 5 帧连续过渡动画，光这一步就得吞掉两万个 Token！而在 VISTA 里，把整张图渲染成一张 \(512 \times 512\) 的 PNG 图片喂给视觉编码器，猜猜要多少 Token？区区 308 个视觉 Token（若缩至 \(256 \times 256\) 更是只需 77 个 Token）！ 信息传递效率相差十倍乃至五十倍！

#### 2️⃣ 第二桩蠢事：用僵死的代码去拟合流动的猜想 更致命的是逼着智能体用 Python 代码当笔记本。 诸君想一想，人类科学家探索未知现象时是怎么思考的？是你先有一个模糊的、局部的猜想：“咦，大概碰到红球会扣血，不过刚才那一下好像没扣，难道得看左上角的灯闪不闪烁？”这种 带着不确定性的、只覆盖局部对象的、随时准备修正的直觉，用自然语言写两句话轻而易举。

但如果你逼着模型把猜想写成可执行的 Python 函数 def simulate_step(grid, action):，灾难就发生了： 1. 过早形式化（Premature Formalization）：哪怕你只弄懂了画面里 10% 的机关，代码模拟器也要求你必须写出能处理 100% 像素状态的完整函数；对于还没搞懂的 90% 区域，模型只能硬着头皮瞎编一堆 if-else 补丁。 2. 脆弱的单元测试陷阱（Brittle Retrodiction）：一旦进入新关卡，画面里多了一个新颜色的砖块，先前写的 4,000 行代码立刻在历史轨迹回放（Retrodiction）中抛异常崩溃。智能体不得不停下探索游戏的脚步，钻进自己拉出来的四千行代码屎山里去修 Bug！本末倒置，莫此为甚！

【旧范式：符号世界模型代码合成（Cargo Cult 模式）】
2D 游戏画面 ──(拍扁)──▶ 4,000 Token 文本矩阵 ──▶ 狂写 4,055 行 Python (71 个函数) ──▶ 陷入修 Bug 死循环 💥 (场均 71.9M Tokens)

【新范式：VISTA 视觉交互套具（Feynman 模式）】
2D 游戏画面 ──(渲染)──▶ 308 Token 高清 PNG ──▶ 87 词直觉推演 + 双笔记 + 按需放大镜 ──▶ 100.00 满分通关 🎯 (场均 30.7M Tokens)

咱们不妨列一张总账单，把这两条技术路线摆在台面上做个彻底的清算：

---

🔭 第二章：为什么长了眼睛的 VLM 还是个“半瞎”？

这时候，席间定会有敏锐的读者拍案发问：“费曼先生，且慢！既然把文本换成图片这么管用，为什么以前别人直接把游戏截图喂给多模态大模型（VLM），模型照样在复杂游戏里像没头苍蝇一样乱撞呢？”

问到点子上了！这正是何恺明与吴佳俊团队这篇论文最犀利、最触及多模态架构灵魂的洞见。

在当今几乎所有主流视觉语言模型（VLM）的对话设计里，都潜伏着一个隐蔽却致命的工程假设：“看一眼就够了”（Encode-Once-and-Forget）。

💡 概念批注：一次性有损视觉编码（One-Shot Lossy Visual Encoding）与视觉混叠（Visual Aliasing）

现代多模态大模型（如 GPT-5、Claude 5）在处理图像输入时，通常在图像进入上下文的那一瞬间，通过固定感受野的视觉编码器（如基于 ViT 的 Patch Embedding）将其一次性下采样压缩为数百个紧凑的视觉 Token，并计算对应的键（Key）与值（Value）向量存入注意力缓存（KV Cache）。在此后的几十轮对话中，模型只能访问这批经过高度空间压缩、丢失了像素级高频几何细节的缓存特征；且一旦上下文窗口满溢触发压缩（Compaction），旧图像 Token 往往被直接丢弃或替换为粗糙的文字摘要，导致历史视觉证据永久湮灭。

咱们用信号处理的 奈奎斯特—香农采样定理（Nyquist–Shannon Sampling Theorem） 来算一笔明白账。 假设一幅画面里有 64 行、64 列的小方格，总共 \(64 \times 64 = 4,096\) 个独立状态单元。当视觉编码器把这幅图压缩成大约 308 个视觉 Token（大致相当于 \(17 \times 18\) 的特征网格）时，平均每个视觉 Token 要硬塞进 13.3 个原始网格单元的信息！

在信息论里，把 4,096 个自由度压进 308 个桶里，必然发生严重的 高频混叠（High-Frequency Aliasing）。只要模型在看到这张图的第一秒钟，不知道画面右上角坐标 \((58, 3)\) 那个只有 1 个格子大小的灰点是关键机关，它的视觉编码器就绝不可能在 308 个全局 Token 里为这个小灰点单独保留精确的坐标和 RGB 色值！

更糟的是时间维度上的失忆。设想你在玩一个解谜游戏，走了五十步之后，突然发现大门顶上亮起了一个黄色小点。你心里一惊：“哎呀！这个小点是从第 1 步就有的，还是刚才第 18 步我踩了那个灰地板才亮起来的？”

如果是人类玩家，你会立刻拖动录屏进度条回到第 18 步，把鼻子凑到显示器前，盯着大门顶上那个角落看个究竟。 但标准 VLM 办不到！原因有二： 1. 底片在一开始就糊了：在第 18 步刚拿到图片时，模型并不知道大门顶上的小点重要，一次性全局编码早就把那个角落糊成了一团背景色。 2. 旧照片被扔进碎纸机了：等走到了第 50 步，为了节省昂贵的显存，上下文压缩器早就把第 18 步的图像 Token 从对话历史里踢出去了，顶多留下一句轻飘飘的文字摘要：“第 18 步：智能体穿过走廊”。模型想回头查证，却连底片都找不着！

看明白了吗？现成的 VLM 缺的并非“推理智商”，它缺的是一套允许它“把旧底片无损保存下来，在产生新疑问时拿放大镜凑近了再看一眼”的机械装置！

这便是 VISTA（Visual Harness for Reasoning in an Interactive World，交互世界推理之视觉套具） 诞生的全部逻辑起点。

💡 概念批注：智能体套具（Agentic Harness / Mechanical Harness）

借用马具（Harness）之本义——骏马本身拥有奔跑的澎湃肌肉力量，但唯有套上合身的缰绳、挽具与鞍镫，其蛮力方能转化为拉动马车、精准转向的功用。在 AI 系统中，Harness 指代完全不修改底层模型权重（零可学习参数）、纯靠外围感知重格式化、工作记忆文件管理与确定性工具接口构成的机械脚手架。VISTA 即是一套专为多模态视觉推理量身定制的极简机械套具。

---

🛠️ 第三章：拆解 VISTA 的三件套——老花镜、双页账本与时光放大镜

如果你打开 C:/GitHub/VISTA/src/vista/ 的代码仓库，你会惊讶于它的克制与干净。里头没有半行神经网络训练代码，只有三大精巧绝伦的机械支点。咱们一件一件拿出来放在阳光下端详。

┌────────────────────────────────────────────────────────────────────────────────────────┐
│                        👁️ VISTA 极简视觉套具 (Zero-Parameter Harness)                  │
├──────────────────────────┬──────────────────────────────┬──────────────────────────────┤
│   支点一：直接视觉感知     │   支点二：87 词自发语言推理    │   支点三：无损记忆与主动重注视  │
│  (Visual Observation)    │  (Language + Dual Markdown)  │ (Lossless Memory + Re-Attend)│
├──────────────────────────┼──────────────────────────────┼──────────────────────────────┤
│ • 64×64 网格 8× 最近邻放大 │ • 行动前预测视觉变化，行动后   │ • 全帧保存为 0o400 只读 PNG   │
│ • 512×512 PNG (~308 tok) │   核对真实画面差异             │ • 默认仅推末帧，省却冗余 Token │
│ • 1px 暗化网格线 (*3 // 4)│ • GUIDE.md (64KB 跨关定律)   │ • inspect: 局部裁剪与等比放大  │
│ • 激活原生 2D 空间几何先验 │ • WORKING.md (16KB 当关草稿) │ • read_pixels: 像素采样符号表 │
└──────────────────────────┴──────────────────────────────┴──────────────────────────────┘

---

#### 👓 支点一：给像素画上刻度的“老花镜”（Direct Visual Observation）

在 ARC-AGI-3 中，原始画面是一张 \(64 \times 64\) 的离散色块图（整数索引 0–15）。如果直接把 \(64 \times 64\) 的微缩图塞给现代 VLM，模型前端的双线性或双三次插值（Bicubic Interpolation）预处理会把色块边缘涂得像被雨水泡过的颜料一样模糊不清；反之，如果只做纯色块放大，当画面里出现一大片 \(20 \times 20\) 的纯黑背景或纯蓝水面时，模型就像盯着一面毫无纹理的白墙，根本数不清这片区域到底有几格宽、几格高。

且看 VISTA 团队在 src/vista/benchmarks/arc3/render.py 中写的 render_grid_image 函数，短短二十余行，尽显老辣的计算机视觉功底：

# 源自 C:/GitHub/VISTA/src/vista/benchmarks/arc3/render.py
def render_grid_image(
    grid: list[list[int]],
    scale: int = DEFAULT_RENDER_SCALE,  # 默认 8 倍放大：64x64 -> 512x512
    grid_line_px: int = DEFAULT_GRID_LINE_PX,  # 默认 1 像素网格线
) -> Image.Image:
    height = len(grid)
    width = len(grid[0]) if height else 0
    rgb = np.zeros((height, width, 3), dtype=np.uint8)
    for r, row in enumerate(grid):
        for c, val in enumerate(row):
            rgb[r, c] = ARC3_PALETTE_RGB.get(int(val), (0, 0, 0))
    # 关键步 1：使用 np.repeat（等效最近邻插值）放大 8 倍，绝不产生边缘混色！
    pixels = np.repeat(np.repeat(rgb, scale, axis=0), scale, axis=1)
    if grid_line_px > 0 and scale > grid_line_px:
        mask = np.zeros((height * scale, width * scale), dtype=bool)
        for idx in range(1, height):
            start = idx * scale
            mask[start : start + grid_line_px, :] = True
        for idx in range(1, width):
            start = idx * scale
            mask[:, start : start + grid_line_px] = True
        # 关键步 2：将网格分界线处的原像素亮度乘以 3/4（暗化 25%），弃用固定黑白线！
        pixels[mask] = (pixels[mask] * 3) // 4
    return Image.fromarray(pixels, mode="RGB")

诸君请细品这行 pixels[mask] = (pixels[mask] * 3) // 4！ 如果换作莽撞的工程师，画网格线八成会直接涂上固定灰色 (128, 128, 128) 或纯黑 (0, 0, 0)。但 ARC-AGI-3 的 16 色调色板（ARC3_PALETTE_RGB）里本来就有纯黑（0: #000000）、深灰（2: #555555）与浅灰（1: #AAAAAA）！一旦画死固定颜色的网格线，要么在同色背景里彻底隐形，要么制造出虚假的高对比度伪边缘，误导视觉编码器以为那里有一道墙。

何恺明团队用了一个极简的整数按位缩放 (pixels[mask] * 3) // 4—— 让每个 \(8 \times 8\) 放大色块的左边界与上边界 1 像素，在自身原有 RGB 颜色的基础上自适应暗化 25%！如此一来，既丝毫没有破坏色块的色彩归属，又让原本平滑的同色大片区域浮现出恰到好处的“瓷砖缝隙”，模型一眼就能数清“这堵墙有 5 格宽、3 格高”。这便是物理直觉在工程细节上的降维打击！

---

#### 📓 支点二：87 个单词的科学方法论与“双页账本”（Free-form Language + Dual Notes）

有了清楚的画面，该怎么引导模型思考？ 许多人以为要写一篇洋洋洒洒几千字的《游戏通关秘籍总纲》塞进 System Prompt。VISTA 偏不！咱们打开 src/vista/benchmarks/arc3/claude/prompt.md，除去前面交代有哪些按键和工具的客观接口说明，真正指导智能体如何思考的 Guidance（方法论指引）只有区区 87 个英文单词：

📜 原文呈现（src/vista/benchmarks/arc3/claude/prompt.md）：

*"Before each play, state the expected visual change; after it, state the actual visible change. Use this to build and revise a compact model of the game in GUIDE.md: the key objects, how actions affect them, what changes state, what indicates progress or failure, and the likely goal. When several explanations fit, prefer the simplest one consistent with the evidence, and test uncertain parts with targeted actions. Keep GUIDE.md updated as your durable cross-level reference, and use WORKING.md for current-level state, plans, and open questions."*

吾读到这段话时，忍不住拍案叫绝！这哪是什么玄虚的 Prompt Engineering（提示词工程），这分明是把 伽利略、牛顿与波普尔以来的实验科学方法论（猜想与反驳） 浓缩成了三句大白话： 1. 先猜后验（Predict-then-Observe）：按下按键前，先白纸黑字说出你预期画面会发生什么变化；按下之后，立刻核对画面实际发生了什么变化。预期与现实的落差（Prediction Error），就是物理规律显形的地方！ 2. 奥卡姆剃刀与受控实验（Occam's Razor & Targeted Testing）：当多种解释都能说通时，永远优先选择与现有证据吻合的最简假说，并专门设计有针对性的动作去检验那些还不确定的部分。 3. 双层记忆分离（Dual-File Memory）：把跨关卡恒定不变的“宇宙普遍定律”写进 GUIDE.md，把当前这一关的“临时地图坐标与待解疑问”写进 WORKING.md。

💡 概念批注：双层文件工作记忆（Dual-File Working Memory：GUIDE.md 与 WORKING.md）

VISTA 为智能体配置的显式外置文本记忆系统（定义于 src/vista/core/memory.py）。其中：

- GUIDE.md（跨关卡持久法则库，容量上限 MAX_GUIDE_CHARS = 64,000 字符）：存储放之四海而皆准的游戏机制，如“蓝色十字是玩家”、“踩绿色方块会开门”、“每走一步右下角体力减 1”。跨关卡全程保留并持续修订。

- WORKING.md（当前关卡战术草稿纸，容量上限 MAX_WORKING_CHARS = 16,000 字符）：存储当前关卡的局部地图坐标、机关状态与短期行动计划。每当跨越关卡边界时，系统自动将其归档并清空重置，从根源上杜绝上一关的过期坐标污染下一关的决策。

为了让大家直观感受到这本“双页账本”比四千行 Python 代码高明在哪里，咱们不妨看看论文图 4 所展示的智能体在游戏中的真实笔记演进：

• 第 1 关初探时，智能体在 GUIDE.md 里只记下了朴素的观察：*“Action 1–4 控制蓝色十字上下左右移动，每次移动 4 格；右下角有一排绿色刻度，每动一次少一格。”*
• 到了第 3 关，它撞上了一个新出现的旋转十字架，发现在某些方向推不动。它没有像代码合成器那样因为“未定义对象”而崩溃，只是从容地在 WORKING.md 里记下一笔：*“疑问：中心处的黄蓝复合块似乎只在特定相位下允许通过，需用 Action 1 试探其旋转周期。”* 验证明白后，便将这条新定律提炼补入 GUIDE.md。
• 全程没有任何语法报错，没有任何死循环，就像一位真正的物理学家在实验记录本上涂改演进！

---

#### 🔍 支点三：无损底片室与两把“重注视”手术刀（Lossless Visual Memory & Explicit Re-Attention）

现在咱们来看看最关键的第三支点——也是后面消融实验里让分数暴涨 28.95 分的定海神针！

在真实交互世界里，当你按下一个动作 play(action)，环境往往会返回一连串过渡动画帧（比如冰块在冰面上滑行经过的第 0、1、2、3 帧，最后停在第 4 帧）。如果每一步都把所有中间帧塞进对话上下文，Token 预算立时见底；可如果直接扔掉中间帧，冰块滑行途中擦碰了哪个开关的证据就彻底湮灭了。

VISTA 怎么解决这个两难？它在 src/vista/core/visual.py 里建了一间“无损底片室”：

• 每一步返回的所有帧（含全部中间过渡帧），统统以无损 PNG 格式存入磁盘的 visuals/ 目录，严格命名为 turn_{t}_frame_{k}.png。
• 为了防止智能体在沙盒里不小心（或者耍小聪明）篡改历史画面，Visual.__init__ 在写完文件的下一秒，直接调用 os.chmod(self.path, 0o400) 将文件锁死为操作系统级只读权限！
• 默认情况下，系统只把最后一帧（Terminal Frame）推进对话窗口，但在文本返回里附上所有中间帧的文件名清单（如 ["turn_12_frame_0.png", "turn_12_frame_1.png", ...]）。

当模型在后续推理中突然产生疑问——比如“刚才第 12 步的第 0 帧里，右上角那个图标到底亮没亮？”——它可以随时主动调用两把“视觉重注视”手术刀：

##### 🔪 第一把刀：inspect(question, views) —— 光学变焦放大镜 模型可以一次性传入最多 16 个视图请求（MAX_INSPECT_VIEWS = 16），指定任意一帧历史底片 frame 与想要细看的矩形框 [x, y, width, height]（在网格坐标系下指定左上角与宽高）。 且看 src/vista/core/session.py 中 _inspect_views 的精妙实现： 1. 系统先把那块小区域从无损原图上精确裁剪（crop）下来； 2. 接着，按照裁剪框的窄边比例，用最近邻插值（Image.Resampling.NEAREST）将其等比放大到与全图相当的显示尺寸（默认 display_size = 512px）； 3. 在 Codex 后端实现（src/vista/core/support.py）中，系统甚至还会在原始全图上用醒目的红框（#FF3B30）把裁剪区域圈出来，与放大后的局部高清图并排喂给 VLM 的视觉编码器！

💡 概念批注：任务驱动的显式视觉重注视（Task-Driven Explicit Visual Re-Attention）

区别于标准 VLM 在接收图像时一次性的静态全局编码，显式视觉重注视允许智能体在后续推理的任意时刻，带着明确的假设或问题（question），回溯访问无损归档的历史图像（或中间动画帧），并对特定感兴趣区域（Region of Interest, ROI）执行局部裁剪与高倍率重编码，使原本在全局编码中被混叠模糊掉的微小局部特征获得满额的视觉注意力分辨率。

##### 🔪 第二把刀：read_pixels(question, views) —— 离散像素符号化采样仪 有时候，光学放大还不够。比如模型需要执行 ACTION6(x, y) 精确点击某个只有 2 像素宽的按钮，或者想精确对齐两个相距很远的机关坐标，又或者想确认某两个深浅极其接近的色块到底同不同色。这时候，它就掏出第二把刀：read_pixels(question, views)（单次最多 64 个视图，总采样点上限 4,096 个像素）。

当模型请求读取区域 (x, y, w, h) 并指定下采样网格大小 (C, R)（即 width=C, height=R）时，系统在 src/vista/core/session.py 的 sample_pixel_centers 中按照等宽分箱中心公式（Equal-Bin-Centers Sampling）精确抽取像素坐标：

其中 \(c \in \{0, 1, \dots, C-1\}\) 为采样列索引，\(r \in \{0, 1, \dots, R-1\}\) 为采样行索引。为什么要用 \(\left\lfloor \frac{(2c + 1)w}{2C} \right\rfloor\) 而不是简单的左端点 \(\left\lfloor \frac{c \cdot w}{C} \right\rfloor\)？ 还记得咱们在支点一里画的那条 1 像素暗化网格线吗？！网格线正好落在每个格子的左边缘和上边缘！如果你按左端点采样，采出来的全是暗化了 25% 的网格线像素；而用 \(\frac{2c+1}{2C}\) 精确刺入每个子分箱的几何正中心，就能稳稳当当地避开边缘网格线，取到最纯净的色块中心颜色！

采样得到的每个 RGB 颜色值被映射为 64 字符符号表（0-9A-Za-z-_）中的单个紧凑字符，连同一张 : #RRGGBB 图例表返回给模型。如此一来，模型既拥有了肉眼的全局几何直觉，又在需要精确丈量时拿到了游标卡尺！

---

📐 第四章：把算盘打响——RHAE 评分公式与四大考场的统治级表现

在看实验结果之前，费曼先生得先带你把评分公式看懂。如果不懂尺子是怎么刻度的，看再多分数也是糊涂账。

在 ARC-AGI-3 里，怎么衡量一个智能体比人类强还是弱？官方定义了一个极其严苛的指标，叫做 RHAE（Relative Human Action Efficiency，相对人类行动效率）。

💡 概念批注：相对人类行动效率（RHAE, Relative Human Action Efficiency）

ARC-AGI-3 的核心评估指标（定义于论文第 4.1 节及代码 src/vista/benchmarks/arc3/evaluate.py）。它不仅考核智能体能否通关，更以人类玩家通关该关卡所需的基准步数 \(h_{\ell,g}\) 为标尺，对智能体的实际步数 \(a_{\ell,g}\) 进行平方级惩罚。唯有不仅通关、且步数不多于人类玩家时，方能拿到满分（100% 乃至最高 115% 的超人类奖励）；若步数是人类的 2 倍，该关得分立跌至 25%；若是人类的 3 倍，得分仅剩 11.1%！

对于游戏 \(g\) 的第 \(\ell\) 个关卡，若智能体未能通关，则该关得分 \(S_{\ell,g} = 0\)；若成功以 \(a_{\ell,g}\) 步通关（人类基准步数为 \(h_{\ell,g}\)），则单关效率得分为：

请注意那个平方项 \(\left(\frac{h_{\ell,g}}{a_{\ell,g}}\right)^2\)！它意味着任何盲目的乱撞（Random Walk）或暴力穷举都会遭到毁灭性的平方级惩罚。而整个游戏 \(g\)（共 \(n\) 个关卡，智能体打通了前 \(k\) 关）的总分 \(S_g\)，则以关卡序号 \(w_\ell = \ell\) 为权重（越往后的关卡难度越大、权重越高），取“加权通关率”与“加权行动效率”二者之最小值：

这个外层 \(\min\) 设计得极为毒辣：即便你在前几关步数比人类少得多（拿到 1.15 倍单关奖励），只要你在最后一关没过去，外层 \(\min\) 就会被通关率死死按住；而就算你全部通关（左侧为 1.0），最高总分也严格封顶在 1.0（即百分制的 100.00 分）！

尺子量清楚了，咱们来看成绩单！

#### 🏆 战役一：ARC-AGI-3 公开集（25 款游戏，183 个关卡）

请诸君盯着表格最后三行看上三秒钟：

• Claude Opus 5.0 + VISTA 打通了全部 25 款游戏的 183 个关卡，总分达到封顶的 100.00 分！更惊人的是，人类玩家打通这 183 关一共走了 17,135 步，而挂上 VISTA 套具的 Claude Opus 5.0 只用了 7,302 步 —— 比人类玩家足足少走了 57.4% 的步数！ 在 25 款游戏中的每一款上，它的步数都显著少于人类！
• GPT-5.6 Sol + VISTA 从官方基线的 13.33 分 狂飙至 99.00 分（三次独立运行的均值高达 \(99.04 \pm 0.17\)，标准差仅有 0.17，稳如泰山！）。在主运行中，25 款游戏里有 24 款拿下 100.00 满分，唯独在 ls20 这一款游戏的第 7 关（最后一关）耗尽了 2,000 步预算未能通关（单局得分 75.03 分，总计通关 182/183 关），总步数 9,126 步，同样比人类少走 46.7%！
• 即便是 320B 参数的开源权重模型 GLM-5.3 Flash，在挂上这套零参数的 VISTA 套具后，也一举斩获 66.93 分，把没有套具的闭源巨无霸（官方基线 13.33 / 40.68）远远甩在身后！

---

#### 🌍 战役二、三、四：不改一行核心逻辑，横扫 3D 渲染、GameWorld、AI GameStore 与 BabyVision

有人或许会犯嘀咕：“何恺明他们是不是针对 ARC-AGI-3 的 2D 方格游戏专门调了什么独门暗器？” 为了粉碎这种怀疑，费曼式的科学检验要求我们：把同一套装置原封不动地搬到完全陌生的考场上去！

VISTA 团队一连端出了四个截然不同的新考场，代码里的核心工具箱（GUIDE.md、WORKING.md、inspect、read_pixels）与那段 87 词的方法论内核分毫无改：

让我们细看这四个考场背后的数学与物理意义：

1. 🧊 考场 A：ARC-AGI-3 伪 3D 等轴测渲染（Isometric 3D Rendering） 研究团队将原本俯视的 2D 正交网格，全部渲染成具有三个可见面（顶面、左斜面、右斜面）与立体遮挡关系的 3D 等轴测体素块（3D Voxel Blocks）。那些依赖读取二维整数矩阵写代码的传统系统碰到这种透视画面当场报废，而 GPT-5.6 Sol + VISTA 仅凭肉眼看图与 inspect 放大，便拿下了 84.12 RHAE 的高分！ 2. 🎮 考场 B：GameWorld（34 款视觉游戏，170 个任务） 这里既有离散动作也有连续画面。论文严格按宏平均（Macro-Average across games）计算任务成功率（\(\mathrm{SR}\)）与平均进度（\(\mathrm{PG}\)）：

其中 \(s_{g,t} \in \{0, 1\}\) 为任务通关指示变量，\(p_{g,t} \in [0, 1]\) 为连续进度得分。VISTA 在三次独立运行中取得了 \(\mathrm{SR} = 63.33\% \pm 2.37\%\)、\(\mathrm{PG} = 79.30\% \pm 2.14\%\) 的战绩！ 3. 🕹️ 考场 C：AI GameStore（10 款人类级商业街机/网页游戏） 包含《2048》《扫雷》《吃豆人》《俄罗斯方块》《太空侵略者》《贪吃蛇》《打砖块》等 10 款真正的商业级 HTML5/Canvas 游戏。按官方对数几何平均公式归一化（以随机策略得分 \(r_g\) 为 0 点、人类玩家中位数得分 \(h_g\) 为 100 点）：

在三次独立运行中，VISTA 分别斩获 119.99、148.58、140.06 分（均值 136.21 分），全面超越人类玩家中位数（100 分）！ 4. 👶 考场 D：BabyVision（39 道细粒度静态视觉追踪谜题） 最后，他们甚至试了试完全没有交互动作的纯静态视觉难题（来自 BabyVision 的 Fine-grained Discrimination 子集，共 39 道复杂迷宫与纠缠长线条追踪题）。如果不给 VISTA 套具，让 GPT-5.6 Sol 看一眼图直接作答（One-Shot），准确率只有 41.0%；而一旦允许模型用 VISTA 的 inspect 放大镜和 WORKING.md 沿着迷宫分岔口一截一截地裁剪放大、记录坐标（src/vista/benchmarks/babyvision/），准确率瞬间跃升至 \(63.23\% \pm 3.00\%\)（三次运行分别为 61.5%、61.5%、66.7%，净增逾 22 个百分点）！

这证明了什么？证明了 “主动凑近看 + 边看边记”并非游戏专用的投机技巧，它本就是一切精细视觉认知的通用骨架！

---

🔬 第五章：费曼的反自欺解剖台——六步消融实验与两个反直觉真相

吾常对加州理工的学生讲：“科学的第一原则，就是你绝不能欺骗自己——而你自己正是最容易被你骗倒的人。”

很多 AI 论文喜欢把十八种技巧揉成一团黑盒，跑出个高分就宣称“我们的复杂系统架构产生了奇妙的智能涌现”。何恺明团队没有搞这种障眼法。他们在 GPT-5.6 Sol 上做了一组干净利落的六步逐级加法消融实验（Step-by-Step Additive Ablation），把从 13.33 分到 99.00 分的每一分增长，都明明白白地归因到了具体的机械零件上。

咱们把这六级台阶列成一张可视化阶梯表，看看奇迹到底发生在哪一步：

诸君看清楚没有？！整座大厦里最震撼的两级火箭：

• 第一级火箭是 Stage (i)（+33.99 分）：把一维文本矩阵换成二维 PNG 图片；
• 第二级火箭是 Stage (v)（+24.05 分）：加上无损历史底片库和 inspect 局部裁剪放大镜！如果再加上 Stage (vi) 的 read_pixels（+4.90 分），光靠 “无损视觉记忆 + 主动重注视” 这一招，就硬生生把一个已经拥有连续对话和双层笔记的强智能体，从 70.05 分 推上了 99.00 分 的巅峰（净增 +28.95 分）！

#### 💡 案例实证：vc33 第 6 关里的“一像素门闩” 为什么 inspect 和 read_pixels 能带来将近 29 分的暴涨？论文图 5 给出了一个令吾拍案的真实切片——游戏 vc33 的第 6 关。

在 vc33 里，有一个复杂的液压升降柱与滑块谜题。如果不给 inspect 和 read_pixels（即停留在 Stage iv，70.05 分的配置），GPT-5.6 Sol 在前 5 关顺风顺水，一到第 6 关就彻底卡死，把 2,000 步预算撞光也没过关，整个 vc33 游戏得分停留在 57.6 分。

为什么卡死？因为第 6 关的画面极其繁杂，里头新加了一个微妙的约束：每当点击红色按钮调节液压柱高度时，升降柱顶部的角色必须与右侧目标台阶保持 精确到单格的水平对齐，且远处有一个极不起眼的 1 格状态指示块发生色相切换。在 \(512 \times 512\) 的全局缩略编码（308 个视觉 Token）里，模型根本看不清升降柱到底差了 1 格还是 2 格，一直在那里盲目地上下乱点！

而完整版 VISTA（Stage vi）是怎么破局的？它在走了几步发现不对劲后，立刻调用 inspect 把液压柱与目标台阶的交界区域局部裁剪并放大到高清尺寸，接着调用 read_pixels 把两边的像素行号拉出来一减，当场在 WORKING.md 里写下精确的几何落差，仅用寥寥数步便干净利落地打通第 6 关与第 7 关，在 vc33 上斩获 100.00 满分！

---

#### 🤯 两个颠覆行业常识的“反直觉真相”

除了主消融实验，何恺明团队还在论文第 5 节（表 3 与表 4）里披露了两个足以让所有盲目堆算力的工程师冷汗直流的发现：

##### 1️⃣ 反直觉真相一：上下文窗口越大，智能体反而越蠢、越贵！（Context Rot） 现在业界都在吹嘘“百万级（1M）超长上下文”，仿佛上下文窗口拉得越长，智能体就越厉害。VISTA 团队在 GPT-5.6 Sol 上严格测试了三种触发自动压缩的上下文阈值：100K、200K（默认）与 780K。结果令人大跌眼镜：

💡 概念批注：上下文腐败（Context Rot / Attention Dilution）

在长程多步交互任务中，若不加节制地将数百轮历史观察、错误假设与中间试错轨迹全部滞留于活跃上下文窗口中，Transformer 的自注意力分布将被海量过期、冗余乃至相互矛盾的历史 Token 严重稀释，导致模型对当前最新状态与核心定律的遵循能力反而随上下文增长而退化，同时造成二次方级别的算力浪费。

你看！把上下文拉长到 780K，每局游戏烧掉的 Token 从 3,070 万暴涨到 1.057 亿（贵了三倍半），分数非但没涨，反而掉了！反之，把上下文砍半到 100K，Token 消耗直接省了一半，分数却依然高达 98.60 分！

为什么？道理再简单不过：当你有了一本随时更新的 GUIDE.md 和一间随时可查的 visuals/ 无损底片室后，对话窗口里留着几百轮以前的错误猜想除了干扰注意力，毫无益处！定期把草稿纸清一清、逼着模型把干货沉淀到结构化笔记里，脑子反而更清醒！

##### 2️⃣ 反直觉真相二：\(4\times\) 放大（256px，仅 77 个视觉 Token）几乎不掉分！ 默认配置下，VISTA 把 \(64 \times 64\) 放大 8 倍到 \(512 \times 512\)，每张图消耗约 308 个视觉 Token。研究团队在论文表 4 中测试了不同的放大倍率（\(2\times\) 即 \(128\text{px}\)、\(4\times\) 即 \(256\text{px}\)、\(8\times\) 即 \(512\text{px}\)）：

• 当缩放为 \(4\times\)（\(256 \times 256\) 像素） 时，每张图仅仅消耗 77 个视觉 Token —— 视觉 Token 开销直接砍掉了 75%！而最终的 RHAE 得分与 \(8\times\) 放大几乎不分伯仲！
• 为什么 77 个 Token 的缩略图就够用了？因为全局图只需要提供“粗略的宏观布局感”，一旦模型觉得某个角落不对劲，它会主动调用 inspect 把那个局部区域单独放大到高清尺寸去细看！这种 “低分辨率看全局（77 tokens）+ 按需高分辨率看局部（inspect）” 的双轨机制，在工程上完美复刻了生物视觉系统的 视网膜中央凹注视（Foveated Vision）！

---

💻 第六章：掀开引擎盖看源码——C:/GitHub/VISTA/ 里的五大工程绝活

纸上谈兵终觉浅。既然主公将 C:/GitHub/VISTA/ 的完整源码交到了吾手上，咱们不妨挽起袖子，打开编辑器，看看 MIT 这群研究者在代码里藏了哪些教科书级别的工程巧思。

先看一眼 C:/GitHub/VISTA/src/vista/ 的全景模块地图：

吾通读全仓之后，提炼出 五大源码级工程绝活，每一处都值得做 Agent 系统的工程师抄在笔记本扉页上。

---

#### 💎 绝活一：双模色彩量化（Dual-Mode Color Quantization）——如何防止自然图像噪点撑爆 64 字符符号表？

前文提到，read_pixels 会把画面里的每一种 RGB 颜色映射成 64 字符表（0-9A-Za-z-_，定义于 PIXEL_SYMBOLS）里的一个字符。 在 ARC-AGI-3 里，这毫无问题，因为 ARC3_PALETTE_RGB 一共只有 16 种纯正颜色，哪怕加上 * 3 // 4 暗化后的 16 种网格线颜色，撑死也就 32 种 RGB 值。所以在专门服务 ARC-3 的 SessionController._read_pixels 中，系统采用的是 精确 8-bit RGB 匹配 + 全局会话级符号表（整个游戏生命周期里，同一种颜色永远对应同一个字符）。

但是！当他们把 VISTA 搬到 GameWorld、AI GameStore 和 BabyVision 时，麻烦来了：那些商业网页游戏截图和静态图片里到处都是抗锯齿边缘（Anti-aliasing）、半透明阴影和图像压缩噪点！随便截一块 \(32 \times 32\) 的图，里头可能就有几百种肉眼看上去一模一样、但 RGB 值相差 1~2 的颜色（比如 #FEFEFE、#FDFEFE、#FEFFFE）。如果还按精确 RGB 映射，64 个字符瞬间就被塞满并抛出 ValueError("Too many unique colors") 异常了！

怎么办？且看 src/vista/core/support.py 中 quantize_rgb 与 TaskContext._read_pixels 的妙手偶得：

# 源自 C:/GitHub/VISTA/src/vista/core/support.py
def quantize_rgb(color: tuple[int, int, int], bits: int = 4) -> tuple[int, int, int]:
    """Quantize an 8-bit RGB tuple to `bits` bits per channel."""
    if bits >= 8:
        return (int(color[0]), int(color[1]), int(color[2]))
    shift = 8 - bits  # bits=4 时，shift=4
    step = 255 // ((1 << bits) - 1)  # 255 // 15 = 17
    return tuple(((int(channel) >> shift) * step) for channel in color)

看懂这行数学变换 \(\text{quantized}(c) = \lfloor c / 16 \rfloor \times 17\)（即代码里的 ((int(channel) >> 4) * 17)）了吗？ 它把每个通道的 8-bit（0–255）右移 4 位变成 4-bit（0–15 共 16 个离散台阶），再乘以步长 17 均匀映射回 {0, 17, 34, ..., 255}！如此一来，像 254、253、255 这种细微的抗锯齿抖动，统统被归并到了同一个量化桶 (255, 255, 255) 里！同时，TaskContext 将调色板作用域设为 palette_scope = "call"（每次调用独立分配符号表），彻底根治了自然图像噪点撑爆符号表的顽疾！

---

#### 💎 绝活二：关卡边界自动归档与强制清零（Auto-Archive & Clear on Level Transition）

在多关卡游戏里，智能体最容易犯的毛病叫 “刻舟求剑”：第 1 关的钥匙在坐标 (12, 45)，过了关进入第 2 关，地图全变了，可如果它的记忆里还写着“钥匙在 (12, 45)”，它就会像没头苍蝇一样往第 2 关的 (12, 45) 猛撞。

为了从物理上斩断这种跨关卡坐标污染，VISTA 在 src/vista/benchmarks/arc3/claude/controller.py 的 GameController._archive_level_working 中写下了一段铁面无私的机械逻辑：

# 源自 C:/GitHub/VISTA/src/vista/benchmarks/arc3/claude/controller.py
def _archive_level_working(
    self,
    *,
    previous_levels: int,
    new_levels: int,
    step_num: int,
) -> dict[str, Any]:
    had_working = self.working_file.exists()
    had_content = False
    archive_relpath: str | None = None
    if had_working:
        content = self.working_file.read_text()
        had_content = bool(content.strip())
        if had_content:
            self.working_archive_dir.mkdir(parents=True, exist_ok=True)
            archive_path = self.working_archive_dir / f"turn_{step_num:06d}.md"
            archive_path.write_text(content)
            archive_relpath = str(archive_path.relative_to(self.run_dir))
        # 铁律：一旦 levels_completed 增加，立即物理删除 WORKING.md！
        self.working_file.unlink()

只要环境监测到 levels_completed 计数器加一（恭喜过关！），控制器根本不征求大模型同意，当场把当前的 WORKING.md 备份到 working_memory_archive/turn_000xxx.md 供事后科研审计，然后直接调用 self.working_file.unlink() 物理删除 WORKING.md！下一回合，智能体只带着写满通用物理定律的 GUIDE.md 轻装上阵，面对一张干干净净的新草稿纸。

---

#### 💎 绝活三：PreCompact 拦截钩子与“先写遗嘱再投胎”的跨会话接力

当游戏打到几百步、上下文窗口（比如 200K）快要满了，或者累计发送的图片数量达到了 image_compact_at 阈值时，怎么办？ 如果听任底层 CLI（如 Claude Code）执行自带的黑盒上下文摘要（Auto-Compaction），模型刚刚推演到一半的机关坐标和视觉线索就会在通用摘要过程中被揉碎丢光。

且看 VISTA 在 src/vista/backends/claude/compact_hook.py、src/vista/core/dispatcher.py 与 src/vista/backends/claude/lifecycle.py 中设计的一套堪称艺术品的 “拦截—锁死—写遗嘱—投胎重生” 四步状态机：

[上下文即将满溢 / 触发 PreCompact 或图片数达标]
       │
       ▼
1. compact_hook.py 拦截原生压缩 (decision="block")，落盘信号文件 `compact_checkpoint.requested`
       │
       ▼
2. GameToolDispatcher 锁定全部游戏工具！模型调用 play/inspect 皆被拒，唯独放行 `write_working`
       │
       ▼
3. 模型被迫将脑中全部最新进展写入 WORKING.md，系统将其快照为 `compact_checkpoint.md`
       │
       ▼
4. lifecycle.py 终止旧会话，拉起全新 Session，注入 GUIDE.md + WORKING.md + 最新画面，满血再战！

让我们看一眼 GameToolDispatcher.call_tool 里的硬核门禁代码：

# 源自 C:/GitHub/VISTA/src/vista/core/dispatcher.py
if self._controller.checkpoint_required():
    if tool_name != "write_working":
        return self._error_response(
            "Context compaction is pending. Call `write_working` with your "
            "current state, key findings, and next plan before using any other tool."
        )

读到这里，吾不禁莞尔！这就好比实验室快断电了，管理员直接把所有实验仪器的电源全掐断，只留下一支笔和本子，对着研究员吼道：“别再按游戏手柄了！先把你脑子里的实验数据和下一步计划写进 WORKING.md，写完才准换新本子继续做实验！” 等模型老老实实调完 write_working，系统立刻杀死臃肿的旧会话，开启一个零历史负担的新会话，把 GUIDE.md、WORKING.md 和当前最新画面塞进去，同时 visuals/ 目录里上百张历史 PNG 底片依然静静躺在硬盘上，随时等待新会话调用 inspect 查阅！

---

#### 💎 绝活四：零信任沙盒隔离与“一回合一动作”同步屏障

在评测自主智能体时，如何保证智能体不会偷看宿主机环境变量里的 API 密钥，或者在一个回合里一口气狂发十几个 play 动作把状态搞乱？

VISTA 在 src/vista/backends/claude/mcp_bridge.py 与 src/vista/core/runtime.py 中筑起了两道铜墙铁壁： 1. 零信任凭证剥离（Zero-Trust Credential Isolation）：子进程沙盒启动前，显式剥离并校验 CLAUDE_CODE_OAUTH_TOKEN、ANTHROPIC_API_KEY 与 ARC_API_KEY 等敏感变量；MCP 桥接进程仅通过权限为 0o600 的本地 Unix 域套接字（bridge.sock）并携带一次性随机令牌与宿主通信。 2. 单回合单动作屏障（One-Action-Per-Turn Barrier）：在 runtime.py 中，每当模型调用一次状态变更动作 play，控制器立即挂起 action_cycle_ready 标志（进入 _pending 状态）。在宿主完整消费该帧输出并完成回合确认（Ack）之前，任何夹带的第二次 play 调用都会被当场拦截报错，强制模型严格遵守“观察—预测—单步行动—核对结果”的科学节拍！

---

#### 💎 绝活五：全链路可审计轨迹（Append-Only JSONL Trace & Snapshot Provenance）

最后，打开 src/vista/core/trace.py 与 src/vista/core/memory.py，你会看到一套令实验物理学家倍感亲切的数据溯源机制：

• 每一次 GUIDE.md 或 WORKING.md 的写入，不仅采用临时文件原子替换（Atomic Write via .tmp + os.replace）防止半截损坏，还会自動在 guide_history/ 或 working_history/ 下留存带时间戳与步数编号的历史快照。
• 每一次工具调用、每一帧 PNG 生成、每一次会话切换，统统以仅追加（Append-Only）的方式记入 trace.jsonl 与 session_history.jsonl。任何一局游戏的任何一个决策瞬间，都能在事后精确回放复盘。

---

🌟 结语：回归事物本身（Look at the Thing）

写到这里，窗外夜色已深。吾合上何恺明与吴佳俊团队的这篇论文，脑海里浮现的却是半个多世纪前，吾在康奈尔大学食堂里盯着别人抛起的餐盘看它摇摆旋转的那个下午。

那时候，吾没去想什么“广义量子电动力学基座”，吾只是纯粹地觉得那个盘子上的康奈尔蓝色校徽转得比盘子晃得快，好玩极了，于是拿餐巾纸从牛顿力学出发算了算它的角速度之比。没想到正是那张餐巾纸上的几行算式，后来一路推演出了费曼图与诺贝尔物理学奖。

今日之人工智能界，太习惯于建造巴别塔了。每当模型在某个任务上跌倒，人们的第一反应往往是：“快！再加五百亿参数！快！造一套四千行的符号代码合成器！快！把上下文拉到一千万！”

而 VISTA 就像那个在皇帝新装游行队伍旁拍手大笑的孩童。它用无可辩驳的实验数据与干净透明的开源代码告诉世人：

• 当你面对一个视觉世界时，请用眼睛去看图（2D Image Observation），莫去背诵拍扁的数字电话簿；
• 当你探索未知的物理规律时，请用自然语言大胆假设、小心求证（87-Word Prompt + Dual Notes），莫去写四千行作茧自缚的僵死代码；
• 当你记不清过去的细节时，请把旧照片无损存好、拿放大镜凑近了再看一眼（Lossless Visual Memory + inspect / read_pixels），莫指望一眼就能把大千世界尽收眼底。

从 13.33 分到 99.00 分的距离，100.00 满分且比人类少走一半弯路的秘密，不在云端那不可捉摸的权重黑盒里，而在这一副老花镜、两页薄账本与一把放大镜的方寸之间。

就这么回事。诸君，撕掉蒙眼的胶带，去直视事物本身吧！

---

📚 核心参考文献与源码档案（Verified References）

[!IMPORTANT]

以下论文、开源代码库及基准评测信息均经严格核实，供读者按图索骥、复现检验。

1. 【本文核心解读论文】

• 标题：*VISTA: A Visual Harness for Reasoning in an Interactive World*
• 作者：Qiushi Han*, Keya Hu*, Linlu Qiu*, Cathy Wu, Kaiming He（麻省理工学院 MIT，* 为共同第一作者）
• 预印本编号与链接：arXiv:2610.02200v1 [cs.AI / cs.CV], 2026.（arXiv HTML 原文 | 项目主页）
• 开源代码仓库：https://github.com/vista-research/vista（本地源码路径：C:/GitHub/VISTA/）

2. 【抽象与推理流体智力基准（ARC-AGI）】

• 标题：*On the Measure of Intelligence*
• 作者：François Chollet
• 出处：arXiv:1911.01547 [cs.AI], 2019; 及其演进交互基准 *ARC-AGI-3 Technical Report & Interactive Benchmark* (ARC Prize Foundation, 2025–2026).

3. 【交互式视觉游戏评测基准：GameWorld】

• 标题：*GameWorld: Towards Standardized and Verifiable Evaluation of Multimodal Game Agents*
• 出处：涵盖 34 款视觉游戏、170 项结构化任务的多模态游戏智能体标准评测基准（VISTA 论文 Section 6.1 核心跨领域验证集）。

4. 【商业级人类游戏评测基准：AI GameStore】

• 标题：*AI GameStore: Evaluating Generalist Agents on Human-Facing Games*
• 出处：包含《2048》《吃豆人》《俄罗斯方块》《扫雷》等 10 款商业级网页/街机游戏的通用智能体评测套件（以人类玩家中位数得分归一化为 100 分，VISTA 论文 Section 6.2 验证集）。

5. 【早期视觉细粒度辨析基准：BabyVision】

• 标题：*BabyVision: Visual Reasoning Beyond Language*
• 出处：聚焦于语言先验之外的底层视觉几何追踪、迷宫寻路与细粒度视觉辨析基准（VISTA 论文 Section 6.3 静态视觉任务验证集）。