#Multimodal Agent (1)

VISTA：让多模态模型直接看像素玩通 ARC-AGI-3 的视觉框架

MIT 的 VISTA 只给通用多模态模型三样东西：原始 PNG 观测、自由语言推理、无损保存全部环境帧的视觉记忆，然后让它去玩 ARC-AGI-3。以 Claude Opus 5.0 为后端时 25 个公开游戏、183 关全部通关，RHAE 满分 100，动作数比首次人类玩家少 56%；换成 GPT-5.6 Sol 也有 98.27 分——全程不做程序合成。