VISTA：面向交互世界推理的视觉 Harness

arXiv 论文提出 VISTA 视觉 harness，让通用多模态模型通过视觉观测直接感知交互环境，并以无损视觉记忆保存历史画面，供模型推理时主动检索和重组输入。在 ARC-AGI-3 上，VISTA 将 Claude Opus 5.0 的 Relative Human Action Efficiency 分数从 40.68 提升到 100.00，完成全部 25 个公开游戏，且比首次参与的人类少用 57.4% 的动作。论文称该方法在另外三个视觉游戏与谜题基准上也优于仅使用最小 harness 的同底层模型。

此前多模态模型在交互环境中常受限于视觉输入的组织方式，难以维持长程视觉上下文。VISTA 表明不更换底层模型，仅通过视觉 harness 设计就能显著改变任务表现，把提升来源从模型能力转向推理时的输入与记忆编排。

VISTA 不让模型依赖文本化的压缩状态，而是保留原始视觉观测形成无损视觉记忆，并允许模型在推理时主动检索、重组视觉输入。由此模型获得长程视觉能力，在交互环境中直接基于画面做决策，减少动作冗余。

对产品团队而言，这意味着可以在不重新训练或替换底层多模态模型的情况下，通过外挂视觉记忆与输入编排层提升 Agent 表现。研发重点可转向观测存储、检索策略与视觉上下文管理，并可能降低单位任务的交互动作数与推理成本。

• 在现有视觉 Agent 产品中增加无损视觉记忆模块，支持按推理步骤回取历史观测画面。
• 围绕 ARC-AGI-3 式交互环境搭建评测流程，验证同一底层模型在有无视觉 harness 时的动作效率差异。
• 将动作数下降作为产品指标，优化游戏、GUI 自动化等场景的用户等待时长与调用成本。
• 把视觉 harness 抽象为可插拔组件，快速适配不同视觉游戏或谜题环境。

• VISTA 在不同底层多模态模型上的提升幅度是否一致，论文未给出跨模型对比。
• 无损视觉记忆在长时交互中的存储与检索开销多大，证据未说明成本结构。
• 在 ARC-AGI-3 之外，该方法是否在真实生产级 GUI 或机器人环境中同样有效。
• 论文中 Claude Opus 5.0 的版本与可复现细节未在证据中说明。