Claude满分、GPT 99分，何恺明团队把AGI考试打穿了

何恺明研究团队发布的新论文在X平台引发轰动。
国庆期间，一篇名为VISTA的论文被上传至arXiv，文中指出：过去半年里，全球最顶尖的大模型，其实一直在“蒙眼”参加AGI测试。
同一款Claude Opus 5，在官方标准测试中仅获得40分。
何恺明团队所做的，不过是摘掉它的“眼罩”，让它直接观察游戏画面，并给它一本可以随时翻阅的“相册”。
结果，Claude在ARC-AGI-3的25个公开游戏中全部通关，拿下100分满分！
而且，它完成游戏所需的步数，甚至比初次尝试的人类玩家少了一半以上。

18个从未见过的游戏，没有一句说明，AI自行摸索规则并一路通关。
知名AI博主Mark Kretschmann在X上写道：“给Agent一个‘再观察’的能力，结果可能天差地别。”

过去几个月，为了攻克ARC-AGI-3，许多代码专家编写了数千行代码来构建世界模拟器。
何恺明团队认为，大模型的“大脑”早已足够强大，限制它的是“眼睛”和“记忆力”。

大模型被一张数字表格，耽误了半年

ARC-AGI-3，是Keras之父François Chollet和ARC Prize基金会今年3月推出的AGI测试。它由一系列交互式像素小游戏组成，游戏开始时不提供任何说明或规则，全靠玩家自行探索和试错。
评分机制极其严苛。官方招募了近500名人类新手进行实测，AI不仅要通关，其步数还不能超过人类，才能获得满分。
然而，官方测试环境提供给大模型的，只是一张64×64的数字表格。人类看到的小人、机关和路线，在模型眼中仅仅是4096个数字。
这相当于让人闭着眼睛，仅凭他人报坐标来玩《超级马里奥》。

VISTA团队做的第一件事，就是把数字表格换回图像。
除此之外没有其他改动，GPT-5.6 Sol的分数就从13.33分跃升至47.32分。
使用图像还能节省算力。一个数字格子大约消耗4000个Token，而一张512×512的图像只需308个Token。
一局下来，文本版本消耗7190万Token，图像版本仅需3070万，且分数更高。
仅仅替换为真正的视觉输入，大模型就提升了34分。

让AI过目不忘，一步再得24分

仅仅能看见还不够。一局游戏往往有数百步，多模态模型的通病是：图像只看一遍，上下文一满就被清除，或被压缩成几句文字摘要。
当模型想回头核对细节时，那一帧早已消失。
VISTA的核心武器，就是一本无损的视觉记忆“相册”。
游戏输出的每一帧画面，包括动画帧，都按编号原样保存。模型想看哪一帧，随时调用inspect功能调出，可以并排对比多帧、放大角落，还能用read_pixels读取精确颜色。
最重要的是，翻阅相册不算步数，只有在游戏中实际操作才会计步。
团队将这套机制称为“显式注意力”，翻看哪一帧、观察哪个区域，完全由模型自主决定。
它还随身携带两个笔记本：GUIDE.md记录游戏规则，WORKING.md作为草稿纸。

论文记录了一个极其“拟人”的操作瞬间。
在BP35游戏的第三关，画面中出现了一个橙色方块。模型点击了一下，橙块变成了X。
它先停了下来，调出上一回合的最后一帧和之前的三帧动画，并排回放。
几个回合后，它又发现点击X能让橙块重新出现，随即写道：“这就是我要的工具，用它搭建天花板，阻挡会致命的上升物。”
这一关，初次尝试的人类需要走44步，它只用了34步。

在《吃豆人》游戏中，迷宫里的豆子吃一颗少一颗。模型在第13回合和第36回合，两次强行翻回开局第一帧，记忆迷宫地图以寻找路径。

给模型增加上下文、提供更多像素，是很多人的第一反应。但论文测试表明，这两种方法都不奏效。
上下文从默认的200K增加到780K，每局Token从3070万涨到1.057亿，成绩却从99分下降到93.9分。
图像也是如此。放大到16倍，每帧Token增至1229个，成绩仅剩88.3分；只放大4倍，成绩是99.7分，比默认的8倍还高。
论文的解释是，图像过大，多余的Token白白占用上下文，模型并未因此看得更清楚。

多不一定更好，VISTA的整体设计都遵循这一思路。团队在博客中表示，他们刻意追求极简。
系统中没有一个新训练的模型，每个游戏的提示词都是同一份，一共四句话，没有一个字教它具体怎么玩。

代码派忙了一夏天，它一页笔记就追平

这个夏天，在ARC-AGI-3上取得高分的方法，如Tycho和Schema，都是让大模型为每个游戏编写一套可运行的程序，硬造一个模拟器来反复试错。
仅跳棋游戏LF52一个，Schema就写了整整4000行Python代码。
而VISTA中的模型，只用自然语言在笔记里写了三句话，就搞定了同样的规则。

根据论文，VISTA是第一个不依赖编写程序，就在ARC-AGI-3上达到满分或接近满分的系统。
这一点在游戏之外更为重要，因为真实世界中，没有人能提前为你写好一套4000行的模拟器。
Claude Opus 5打通了25个游戏的全部183关，每个游戏都是100分，总共走了7302步，仅为人类步数的0.43倍。
GPT-5.6 Sol同样全部通关，获得99分。
在m0r0这个游戏中，人类需要走1107步，Claude只用了219步。这两份成绩在ARC Prize官方平台上都有记分卡。

这套纯机械、零训练的Harness具有极高的泛化能力。
将其应用于带透视的3D画面中，同样获得了84.12分。
配上GPT-5.6 Sol，投入34个网页游戏（包括马里奥、2048、我的世界等），任务成功率达到63.3%，直接超过了人类新手（55.3%）。
就连静态的看图题也能应用。在BabyVision的一道连线题中，不使用VISTA时，模型把驼鹿和兔子连反了；使用VISTA放大后，就答对了。
即使是官方实现几乎交了白卷（1.89分）的320B开源模型，套上VISTA后也被硬生生提升至66.93分，暴涨35倍！

一年三篇，何恺明团队死磕视觉

ARC测试的主流解法，一直是被大语言模型垄断的文本推理。
但何恺明团队偏偏不信邪，一年内连发三篇论文，死磕同一件事：ARC是视觉问题。
第一篇VARC，一个1800万参数的微型视觉模型从零训练，仅凭看图就追平了人类平均分。
第二篇NAT-ARC，先让模型在ImageNet上观察猫狗进行预训练，抽象推理能力随之增强。
第三篇就是VISTA，连小模型都不训练了，直接给前沿大模型配上“相册”。

贯穿三篇论文的，是何恺明的博士生胡珂雅，本科毕业于上海交大ACM班，三篇论文中两篇是一作、一篇是二作。
VISTA另外两位共同一作是MIT博士生Qiushi Han和Linlu Qiu，MIT副教授Cathy Wu也在作者之列。

曾经凭借ResNet和MAE封神的何恺明，这一次将视觉路线一路推进了AGI考场。
这也是在挑战整个行业的默认路线。
过去几年，大家拼命把模型做大、把推理拉长，智能的进步几乎都押注在模型本身。
VISTA让同一个Claude从40分打到满分，靠的却是模型之外的一双眼睛和一本相册。
ARC Prize联合创始人Mike Knoop也判断，越来越多的“学习”会发生在模型权重之外。
通往AGI的下一程，比的是谁能让模型看清世界、记住世界。
何恺明团队的下一站，是充满真实画面的具身环境，那里没有人会提前把世界翻译成一张数字表格。

在数字金融快速发展的今天，选择合规、安全的服务平台至关重要。爱游戏平台首页金融科技有限公司自2019年成立以来，始终致力于为全球用户提供安全、高效、透明的数字金融服务，推动金融科技创新与普惠金融发展。我们的智能客服与人工专家双通道支持体系，确保7×24小时全天候响应客户需求。

爱游戏平台的核心优势在于自主研发的风控系统，能够实时监测交易行为，准确率达99.8%。同时，平台支持多币种跨境支付，通过优化清算链路，将传统数天的到账时间缩短至3秒以内。我们与50余家持牌金融机构深度合作，覆盖全球主要经济体，确保每一笔交易都符合当地监管要求。

爱游戏平台提供7×24小时智能客服与人工专家双通道支持，无论您遇到账户问题还是交易疑问，都能在第一时间获得专业解答。我们的服务团队经过严格培训，熟悉各国金融法规，能够为您提供定制化的解决方案。