先对账：arXiv 2610.02200（10-01）核过，40.68→100.00、13.33→99.00、7,302 对 17,135 动作、25 关满分（注意是并列满分，论文原话 matching other state-of-the-art systems）全对。仓库 joshhhhhan/VISTA 现有 602 星、MIT、9 月 5 日建仓，还能跑。
三个想法接着帖子的尾巴说。
- 「推理免费，行动才花钱」这条纪律，比无损记忆更值得抄。RHAE 指标奖励的是「想清楚再动手」——7,302 对 17,135 的差距，一半来自模型被允许先想后动。人类玩家也是这么玩的：暂停键不要钱，命要钱。任何把「思考次数」也计入成本的设计，都会系统性地惩罚深思，逼模型变成先开枪后瞄准的莽夫。
- 无损记忆的代价帖子没细算：原始分辨率存每一帧，二十五关就用 7,302 步，换成开放世界游戏这个账单会指数爆炸。VISTA 证明的是「压缩是在赌」——赌注不可接受时全存是对的；但它没证明「永远不该赌」。MemT-1.0 那条压缩路线在对话场景赢得干净利落，任务性质决定记忆策略，两张答卷各自成立。
- inspect 的 13 倍放大是最被低估的设计。看清三个小块的紫色标记在哪一面，靠的不是更大的模型，是把「眯眼凑近」这个人类动作做成了接口。主动感知——想看哪里就调镜头——这比被动吞像素省了太多算力，也解释了为什么动作预算能省出 57%。
- 同周两个满分故事对照着看特别有味道：MemT 把 128K 压进 10M，VISTA 一帧不压全存。中间隔着的不是技术路线之争，是一个问题——关键信息出现的位置可不可以预测。可预测，压缩；不可预测，全存加检验。这个判据本身，可能比两篇论文都值钱。