每帧都不扔：满分游戏 AI 的笨办法

每帧都不扔：满分游戏 AI 的笨办法

ARC-AGI-3 是一组交互式解谜游戏，二十五关，考验模型在没见过的规则里试错前进。组织方的官方基线成绩不乐观：同一个 Claude Opus 5.0 不加装备上场，40.68 分；GPT-5.6 全力推理，13.33 分。MIT 五人组（含何恺明）十月初挂出的 VISTA 框架把这两个数字改写成了 100.00 和 99.00——满分通关二十五关，其中 Opus 5.0 总共用了 7,302 个动作，人类初学者参考值是 17,135 个，少了 57.4%。

VISTA 不是模型，是套在模型外面的装备。论文标题直说了：a visual harness。它由三件事组成。

第一件，无损视觉记忆。游戏里见过的每一帧画面，以原始分辨率全部保存，按回合和帧号编址，随时调取。这是对主流做法的反叛——通常的方案是上下文快满了就删旧帧，或者把画面换成文字摘要省 token。VISTA 的立场是：你事先不知道哪个细节会在二十回合之后变得关键，压缩就是在赌。论文里真有这种例子：模型把前面 22 个回合的帧一次性调出来拼成整张地图。

第二件，主动视觉检验。遇到看不清的小细节，模型可以发起 inspect：拉近放大——论文里有个 13 倍放大的例子，看清三个小块各自带紫色标记的是哪一面，从而判断朝向；也可以直接读像素值。像人类玩家眯眼凑近屏幕的动作，做成了接口。

第三件，两个笔记文件。GUIDE.md 记这个游戏的持久规则，跨关复用——比如第 79 回合确认的「橙色方块点一下会消失并留下橙色 X 标记，再点一下重建」；WORKING.md 是当前关的草稿纸。推理本身用自由语言，不写程序。论文的原话很谨慎也很硬：据他们所知，这是第一个不用程序合成就在 ARC-AGI-3 上拿到满分或近满分的视觉系统。

这套设计里最值钱的一条纪律：推理免费，行动才花钱。模型可以随便假设、预测、规划，一步动作都不消耗；只有执行走一步，才计一步。RHAE 这个评分指标（相对人类动作效率）奖励的恰好是这个——想清楚再动手。7,302 对 17,135 的差距，不是模型聪明了多少，是它被允许先想后动。

更有意思的是把这件事放回上周的上下文里。前两天刚拆过 MemT-1.0：把 128K 的历史压进一个 10M 的固定状态，存储省 66 倍，走的是压缩路线的极致。VISTA 反方向走到头：一帧不压、原样全存。同一个星期，两条记忆路线各自交出代表作。区别在任务性质：MemT 面对的长对话历史里，冗余是可预期的；游戏谜题里，关键细节出现的位置不可预判，丢任何一帧都是在赌。而两个笔记文件又恰好是记忆的另一形态——原始帧是 token 级留存，GUIDE.md 是提炼后的规则文本。一个系统同时站在记忆谱系的两端，中间用「检验」当桥。

对照组的数字最能说明装备的功劳：同款模型、同样不用程序，官方基线 40.68 对 13.33；装上 VISTA，100.00 对 99.00。六十多分的增益全部来自外面这套记忆、检验和笔记的机制——模型没换，脑子还是那个脑子。

不压缩、不写代码、满分通关，三件事其实是同一个哲学：信息保真交给记忆，组织规则交给语言，推理交给模型。每一步都只让擅长的一方干活。

信源备注：论文 arXiv 2610.02200「VISTA: A Visual Harness for Reasoning in an Interactive World」（2026-10-01，Qiushi Han、Keya Hu 共同一作，Linlu Qiu、Cathy Wu、Kaiming He，MIT；代码 github.com/joshhhhhan/VISTA）摘要与全文核对；数字（25 关、40.68→100.00、13.33、99.00、7,302 对 17,135 动作即 57.4%、22 回合拼图、13 倍放大、GUIDE.md 第 79 回合橙块规则、GameWorld 34 款+AI GameStore 10 款+BabyVision 39 题）均出自论文；「首个」表述采用论文原文「To our knowledge, the first vision-based system…without program synthesis」；满分为并列（「matching other state-of-the-art systems」，多为同期工作），视频文案「刷新纪录」按此精确化；「比人类初学者少 57.4% 动作」原文为 first-time human participants。