论文深读图谱 · 中文
ARC-AGI-3 该被当作视觉问题来做：给多模态模型一副视觉外骨架——原始观察、无损视觉记忆、主动检视——长程交互里原本被压缩丢掉的视觉证据就能按需找回。
进入论文图谱论文全局图 01 — 03
ARC-AGI-3 要求在无规则说明的交互游戏中自行发现规则与目标。主流做法是文本网格 + 程序合成世界模型；VLM 则把图像编码一次就丢掉原始像素，表示可能被压缩、淘汰或换成文本摘要——模型既不知道编码时什么信息日后会用到，也控制不了保留什么。
PDF §1, Fig. 1视觉外骨架三件套：原始视觉观察（渲染图像，保留外观与空间关系）、无损视觉记忆（每一帧含动画中间帧原样存档，按回合与帧号寻址）、模型主动检视（inspect 放大任意区域、read_pixels 读精确像素值）。回合内观察→推理→行动循环，检视与笔记是模型自己决定的可选步骤。
PDF §§3.1–3.2, Fig. 325 个公开 ARC-AGI-3 游戏的系统级对比（Table 1）；GPT-5.6 Sol 上六级 harness 阶梯消融（Fig. 5）；文本网格对照、上下文与分辨率消融（Figs. 6–7）；开源 GLM-5.3 Flash 与 3D 渲染（Figs. 8–9）；另三个基准的迁移结果（Fig. 11）。
PDF §§4–5, Figs. 5–11, Table 1阅读定位：这篇论文不训练任何新模型，它回答的是“同样的多模态模型，换一副交互外壳能差多少”。作者把 ARC-AGI-3 从文本网格问题重新框定为视觉问题，提出 VISTA 视觉外骨架（visual harness）：原始视觉观察 + 无损视觉记忆 + 模型主动检视，让模型在长程交互中按需回看证据、重组视觉输入。在 25 个公开 ARC-AGI-3 游戏上，Claude Opus 5.0 拿到满分 RHAE 100.00，总动作数比首次接触的人类参考少 57.4%。原文为 Qiushi Han*、Keya Hu*、Linlu Qiu*（三位共同一作）、Cathy Wu、Kaiming He 的 VISTA: A Visual Harness for Reasoning in an Interactive World（MIT）。本图谱依据 arXiv:2610.02200v1（2026-10-01）PDF，共 23 页：正文 10 页 + 参考文献 + 附录 A–B。覆盖 PDF §§1–7、Figs. 1–11、Tables 1–2、附录 A.1–A.6、B.1–B.3（附录轨迹图 Fig. 13 在工作机制示例中引用）。
证据入口总览： 主结果是 Table 1 的系统级对比（RHAE 满分与近满分）与 Fig. 5 的六级消融阶梯（增益被逐级拆开，关键一跳在“无损记忆 + 检视”）；Fig. 6–7 回答表示形式、上下文大小、图像分辨率三个工程问题；Fig. 8–9 检验开源模型与 3D 渲染下的稳健性；Fig. 11 把同一副外骨架搬到另外三个基准。逐游戏明细与运行间波动在附录 Table 2 与 B.1。（PDF §§4–5，附录 B）
一句话主线： 作者认为 ARC-AGI-3 一类“未知规则的交互世界”暴露的不是模型推理能力不足，而是外壳（harness）把视觉证据弄丢了；只要把原始观察无损地留住、并让模型在推理时主动取回，通用多模态模型就能接近人类首次游玩的效率。（PDF 摘要，§1）
问题的设定很干净：ARC-AGI-3 是一套交互式视觉游戏，规则与目标都不给定，智能体只能靠观察状态、选择动作、解读结果来推断对象角色、转移规则、隐藏状态与可能的目标；一款游戏内多个关卡共享底层机制但不断引入新对象、新布局、新约束，因此还要跨关卡保留并修订自己的理解。（PDF §4.1）
在此之前，ARC-AGI-3 的成绩几乎都来自程序合成路线：观察被写成文本/符号表示，环境被抽象成可执行、可验证、可搜索的程序（Schema、ewma sv v1.6、Retrodict、Tycho 等）。这条路有效，但显式程序抽象在视觉复杂度上升时越来越难构建。（PDF §2）
VISTA 的对应做法有两步。第一步是重新框定：观察直接用渲染图像，让模型调用学到的视觉先验来理解场景，而不是先把画面翻译成整数网格。第二步是承认“编码即遗忘”是外壳问题：现有 VLM 每张图只编码一次，原始像素即被丢弃，此后表示会被压缩、被移出上下文、被文本摘要替换，而且模型无法决定留下什么；更重要的是，编码的当下并不知道哪些细节日后会变成关键证据。VISTA 于是把“记住什么”从一次性编码里拿出来，交给一个全程无损、可寻址的视觉记忆，以及一组由模型决定何时调用的检视工具——相当于给模型一套作用在交互历史上的显式注意力。（PDF §3，Fig. 1）
贡献可以概括为三件：(1) 一个纯机械、无训练的视觉外骨架设计（观察 / 记忆 / 检视三组件 + 每回合流水线）；(2) 在 ARC-AGI-3 公开 25 游戏上，用通用闭源模型取得 RHAE 100.00（Opus 5.0，xhigh）与 99.00（GPT-5.6 Sol，max），是已知第一个不用程序合成达到满分或近满分的系统；(3) 同一副外骨架以最小适配迁移到 34 款 GameWorld 浏览器游戏、10 款 AI GameStore 游戏、39 道 BabyVision 视觉追踪题，在同底座模型下全面超过最小 harness 基线。（PDF §1，§§4.2, 5.2）
原论文 Fig. 1 是三种智能体设计的对照，建议按下面的顺序读： 左（a）语言智能体把观察写成文本交给 LLM；中（b）多模态智能体把图像编码一次，压缩、有损的表示可能撑不住后续推理；右（c）VISTA 让同一个 VLM 在每次行动前反复调用视觉工具，从记忆里取回历史观察并重组视觉输入——注意左右两侧的 VLM 是同一个底层模型，差别只在外壳。（PDF p. 1, Fig. 1）
理解 VISTA 不需要记住全部工具，只要跟一个回合走一遍。外骨架本身不含任何训练过的模型——它只执行工具调用、返回图像或像素值、对非法请求报错；所有判断与规划都来自模型的自由语言推理。每个游戏回合内可以发生多次与外骨架的对话，但只有一次游戏动作。（PDF §3.2, Fig. 3d）
一次 play 才推进一个游戏回合并消耗一个动作；inspect、read_pixels、笔记读写都不消耗游戏动作——“免费/零代价”只指游戏动作计分，token、时延与现实成本并不为零。检视与否、检视什么，每回合由模型自行决定。
模型收到当前视觉状态与可用动作列表。配置 (v)–(vi) 的完整 VISTA 下，每个动作后自动只返回最后一帧——中间帧不再自动塞进上下文。
模型用自由文本提出假设、预测动作结果、规划下一步，并按提示词要求在行动前说出预期、行动后清点可见变化。
调用 inspect(question, views)：指定任意历史回合的帧、矩形区域，返回裁剪放大后的图像；或 read_pixels(question, views) 读取区域内的精确像素值。一次调用可同时取多帧、多区域。
读写 GUIDE.md（跨关卡可复用的游戏理解）与 WORKING.md（当前关卡的便签与计划）；两者都跨 RESET 与上下文重启动保留，关卡推进时清空 WORKING。
调用 play(action, x, y) 推进一个游戏回合；环境返回最终帧，所有中间动画帧自动归档。动作集由各游戏定义（如 ARC-AGI-3 的 RESET、ACTION1..7、点击）。
每个由环境返回的帧（含动画中间帧）以原始分辨率存入记忆，按（turn, frame）双索引标注，全程可寻址。
上下文将满时，外骨架控制器暂停普通工具调用，要求智能体保存继续所需的最小状态（写 WORKING.md 摘要，必要时更新 GUIDE.md），随后携带笔记、动作史、当前帧在全新上下文中续跑。
循环里最反直觉的一点是“少给信息反而更好”。 配置 (v)–(vi) 下每个动作只自动返回最后一帧，而 (i)–(iv) 沿用官方协议自动附带最多 7 帧；删掉的那些帧并没有丢，而是全部进了无损记忆，等模型需要时自己取。Fig. 5 显示这一改法与“无损记忆 + 检视”捆绑后把 RHAE 从 70.05 抬到 94.10。读者推断（作者未如此表述）：信息没有变少，只是从“被动推入”改成了“主动拉取”。（PDF Fig. 5，附录 A.2）
原论文 Fig. 3 是组件与回合流水线的总览，建议按 (a)→(d) 读： (a) 观察是渲染后的图像（ARC-AGI-3 官方帧为 64×64，图中展示文本网格与渲染图像的差别）；(b) 记忆条带表示“世界返回的每一帧都被完整保留”，注意“按回合与帧号可寻址”的标注；(c) 检视的两个方向——空间上放任意区域、时间上取任意更早回合的多帧；(d) 流水线把三步排成 1 观察 → 2 推理 → 3 行动，其中只有 play 花费动作，检视与笔记是可选分支，所有返回帧汇入记忆。（PDF p. 4, Fig. 3）
这条路径还解释了动作数为什么能低于人类（读者推断，论文只报告比率）。 记忆与检视不消耗游戏动作，模型可以先用 inspect 确认机制、再下动作；而人类参考（首次游玩者）只能靠实际操作试探。最终 Opus 5.0 在 25 个游戏共用 7,302 个动作，人类参考合计 17,135 个，比值 0.43×。（PDF §4.2, Table 2）
抓住三个操作就能复述 VISTA 的机制：存（无损记忆怎么写入）、取（检视怎么把证据拉回推理）、算（RHAE 如何定义“比人类高效”）。前两个是外骨架的全部智能所在——注意它们都是无参数的机械操作；第三个决定成绩数字该怎么读。
记忆的写入规则只有一条：环境返回的每一帧，包括动画中间帧，以原始形式存档，按（turn, frame）双索引标注，整个交互过程中一直可寻址——与模型上下文里还留着什么无关。（PDF §3.1, Fig. 3b）
这正对着引言里诊断的两个失效点：其一，编码一次的视觉表示会在上下文吃紧时被移除或被文本摘要替换，模型控制不了；其二，编码时不知道什么细节日后关键。存档不做任何压缩或摘要，等于把“记住什么”的决定从编码时刻推迟到推理时刻。（PDF §§1, 3）
三个只读工具构成回溯通道（工具以结构化函数调用暴露，纯文本无法触发执行）；前两个取像素证据，history 取自己的行为记录——history("events", …) 返回区间内精确动作/结果记录，history("attempts", …) 返回当前关卡每次尝试的摘要。（PDF §3.1–3.2；附录 A.4）
inspect(question, views) -> images
# question: 希望这些视图回答的视觉问题
# view = {label, turn, frame=final, region=full}
# region = {x, y, w, h}，每个视图返回一张图
# 取任意归档帧，裁剪该区域并放大
read_pixels(question, views) -> (palette, samples[])
# 把区域切成 行×列 个格子，读出每格像素值
# 返回调色板与数值列表
两个设计细节值得停一下。第一，question 参数强制模型为每次检视说出它要回答的视觉问题——检视不是漫无目的的翻找，而是带着问题取证，这也使轨迹里的每次检视都可读、可审计。第二，inspect 返回的是裁剪放大后的原始分辨率图像：Fig. 10b 的例子里一次检视把三个小方块放大约 13 倍，模型据此读出每个守卫紫色标记贴在哪一边，从而确定朝向与拆解顺序。（PDF §3.1；Fig. 10b）
Fig. 2 左侧的 ARC-AGI-3 轨迹给出了完整的“存 → 取 → 写入笔记”闭环。第 67 回合新关卡出现橙色方块与橙色 X 标记，模型点击一个橙色方块后，环境返回 6 帧动画并全部归档（编号 t67 f0–f5，最后一帧成为当前观察）；模型没有在模糊的整帧里猜发生了什么，而是用一次 inspect 同时取回 t66 f27（动作前）与 t67 f0、f2、f5 三帧动画中间态，确认“橙色方块像绿色的一样爆掉，但留下橙色 X 残留”。图中下一次笔记写入标注为 GUIDE.md (turn 79)，记录橙色块规则（点击移除并留下橙色 X 空槽，再点 X 可重建方块），随后模型转向打开 bc6 通道；而“点 X 重建方块”这一开关机制是在附录 Fig. 13 的 level 3 轨迹里由模型于 turn 73 亲口确认（“clicking an X spawns an orange block (toggle…)”），并在 turn 75–76 用它搭出阻挡致命上升的天花板——turn 67 的检视本身只确认了“爆掉留 X”半条机制。（PDF p. 2, Fig. 2；附录 Fig. 13, pp. 21–22）
三个环节缺一不可：动画帧必须被存下（否则爆掉的过程无从回放）、检视必须不耗动作且可多帧对照（否则不值得为一次确认消耗动作）、结论必须写入持久笔记（否则下一次上下文换新就得重新发现）。这就是“显式注意力 + 外置记忆”机制在单个回合上的样子。
Relative Human Action Efficiency（RHAE）把智能体的动作效率与首次接触该游戏的人类玩家对比，这是理解“100.00”和“57.4% 更少动作”两个数字的必要背景。按官方计分方法（附录 A.3），关卡 在游戏 中的得分是
其中 是智能体在该关卡消耗的动作数， 是成功通关的首次人类玩家动作数的上中位数；未完成的关卡记 0 分。注意三点：动作数等于人类参考时得满分 100%；用得更少可升到 115% 封顶；动作数翻倍则掉到 25%（平方惩罚）。
游戏得分再按关卡权重 （越靠后的关卡越重）聚合，并用完成度封顶：
第一个分式是“完成前 关的加权占比”（通关上限），第二个分式是各关得分的加权平均；最终报告 25 个公开游戏 的均值 ×100。由于通关上限的存在，只刷通简单关卡拿不到高分；论文也并列报告总动作数，用来区分同样 RHAE 下的效率差异。（PDF 附录 A.3, Eqs. 1–2；§4.2）
人类参考本身的口径也值得记住：ARC-AGI-3 官方人类研究共 486 名普通参与者，每款游戏由 10 人首次接触、无针对性训练，单游戏软限时 20 分钟、硬截断 30 分钟； 取成功者动作数的上中位数。也就是说，VISTA 的“0.43× 人类动作数”是对标初次上手的普通人，不是熟练专家。（PDF 附录 A.6）
同一批视觉证据，可以走“编码一次、窗口滚动”的隐式路线，也可以走“原始存档、按需取回”的显式路线。VISTA 的全部组件都在后一条上。
图像被编码一次后丢掉原始像素，表示随上下文滚动被截断或摘要化。
每一帧原始存档、按（turn, frame）寻址；推理中用 inspect / read_pixels 按问题取回。
实验分四类看最清楚：系统级对比（同一分数尺上与其他系统排座次）、组件消融（把增益拆到 harness 的每一级）、设计选择（表示形式、上下文、分辨率）、迁移与稳健性（开源模型、3D 渲染、另外三个基准）。系统级对比只说明总分，组件归因要靠消融阶梯；两者不能互相替代。（PDF §§4–5）
25 个公开游戏；VISTA + Opus 5.0（xhigh）/ GPT-5.6 Sol（max），与官方最小 harness、程序合成系统（Schema、ewma sv v1.6、Retrodict、Tycho）同表对比。指标 RHAE（%），并列总动作数。
Opus 5.0 得 RHAE 100.00（7,302 动作，0.43× 人类参考 17,135）；GPT-5.6 Sol 99.00（9,126 动作，0.53×）。同底座模型在官方 harness 下仅 40.68（Opus 5.0 high）与 13.33（GPT-5.6 Sol max）。程序合成系统最高 100.00（Tycho）——VISTA 是已知首个不走程序合成达到满分/近满分的系统。
PDF §4.2, Table 1, Table 2GPT-5.6 Sol max、200K 上下文固定；从官方实现出发逐级加组件：图像观察 → 提高动作/时间限额 → 连续对话 → GUIDE/WORKING 笔记 → 无损记忆 + 检视 → 像素读出。对照官方文本网格结果 13.33。
RHAE 逐级：13.33 →（i）47.32 →（ii）51.66 →（iii）65.82 →（iv）70.05 →（v）94.10 →（vi）99.00。在可比的 (i)–(vi) 阶梯内，最大一跳是（v）无损记忆 + 检视（+24.05）；像素读出再 +4.90。（对比外部参考的最大单跳是换图像观察：13.33 → 47.32。）完成率同步从 4% 升到 100%。（i)–(iv) 沿用官方每动作最多 7 帧协议，(v)–(vi) 只自动给最后一帧。
PDF §4.3, Fig. 5；附录 A.2其余 harness 不变，只替换观察表示：64×64 整数网格文本 vs 512×512 渲染 PNG（8× 最近邻放大官方 64×64 帧）。指标 RHAE、总动作数、每游戏平均 token 数。
RHAE 96.75（文本）vs 99.00（图像）；动作 10,614 vs 9,126；每游戏 token 71.9M vs 30.7M。文本网格约 4K token/帧，图像约 308 image token/帧——效果相近，成本差 2.3 倍。
PDF §4.3, Fig. 6最大上下文 100K / 200K / 500K / 780K（决定何时触发压缩交接）；其余为完整 VISTA + GPT-5.6 Sol max。
RHAE 98.6 / 99.0 / 94.4 / 93.9；总动作 8,395 / 9,126 / 12,391 / 12,321；每游戏 token 17.3M / 30.7M / 84.1M / 105.7M。默认 200K 最优；100K 仅低 0.4 且 token 减半；更大的上下文反而更贵更差。
PDF §4.3, Fig. 7a输入图像边长为官方 64×64 帧的 2× / 4× / 8× / 16×（128 / 256 / 512 / 1,024 像素），约 20 / 77 / 308 / 1,229 image token 每帧。
RHAE 96.6 / 99.7 / 99.0 / 88.3；总动作 12,590 / 8,849 / 9,126 / 15,331。4× 用默认 8× 的约 1/4 image token 取得可比性能；2× 退化，16× 反而更差——每帧 image token 翻两番（308 → 1,229），每游戏总 token 也升到约 2.3 倍（30.7M → 71.1M）。
PDF §4.3, Fig. 7bGLM-5.3 Flash 320B 开源后端（Codex CLI 接入）；对照官方最小 harness 与去掉 inspect / read_pixels 的 VISTA 残化版。动作上限 3,000/游戏。
RHAE 1.89（官方实现）→ 13.27（VISTA 去视觉工具）→ 66.93（完整 VISTA）。全开源可复现系统取得 66.93，说明外骨架增益不依赖单一闭源模型，但绝对水平仍受底座能力限制。
PDF §4.3, Fig. 8；附录 A.1同一批 ARC-AGI-3 游戏改用 3D 渲染（示例游戏 SP80、LF52），完整 VISTA + GPT-5.6 Sol。
RHAE 84.12（3D）vs 99.00（2D）；动作 20,640 vs 9,126——动作数翻倍以上，但仍远超官方文本网格基线（13.33）。
PDF §4.3, Fig. 9GameWorld 34 游戏 / 170 任务（SR、PG，官方评估器）；AI GameStore 10 游戏（人类中位=100 的归一化几何平均）；BabyVision 39 道视觉追踪题（准确率）。均用 GPT-5.6 Sol + VISTA，对照同模型最小 harness（BabyVision 基线为单次问答、不许检视）、新手人类/人类中位、此前最好成绩。
GameWorld SR 63.3（官方 40.0，新手人类 55.3，此前最好 20.0）、PG 79.3（官方 62.9，人类 64.1，此前最好 39.8）；AI GameStore 几何平均 140.3（官方 47.3，人类中位 100，此前最好 9.0）；BabyVision 63.2%（官方 41.0%，人类 92.3%，此前最好 25.7%）。三个基准全面超过最小 harness 基线；GameWorld 与 AI GameStore 还超过人类参照。
PDF §5, Fig. 11；附录 A.3, A.6ARC-AGI-3、GameWorld、BabyVision 主实验各重复三次（附录 B.1）。
ARC RHAE 99.00 / 98.90 / 99.23（99.04 ± 0.17）；GameWorld SR 63.33 ± 2.37%、PG 79.30 ± 2.14%；BabyVision 63.23 ± 3.00%。AI GameStore 三次聚合分 119.99 / 148.58 / 140.06，按官方多轮协议先对每游戏原始分取均值再归一聚合。
PDF 附录 B.1主对比表先建立座次： Table 1 在同一把 RHAE 尺上排了六类系统——官方最小 harness（无程序）、四个程序合成系统（Schema、ewma sv v1.6、Retrodict、Tycho）与 VISTA（无程序）。每个系统最多两行（不同模型/推理档位）。读表时盯住“Program”列：VISTA 是唯一进入满分区间（99.00 / 100.00）的“No”行；同为“No”的官方实现只有 13.33 / 40.68。表中 Opus 5.0 的 40.68 带 † 脚注，是由官方公布逐游戏分推算的，不是官方直接给出的总分。
同一底座、最小 harness → VISTA 的 RHAE 变化（本文重绘，三组数据分别来自 Table 1 与 Fig. 8；横轴为 RHAE 百分点）：
最小 harness（官方实现）→ 完整 VISTA；后值取各配置最高推理档
| 项目 | 起点（%） | 终点（%） | 变化（百分点） |
|---|---|---|---|
| GPT-5.6 Sol（max） | 13.33 | 99 | +85.7 |
| Claude Opus 5.0（high → xhigh） | 40.68 | 100 | +59.3 |
| GLM-5.3 Flash 320B（开源） | 1.89 | 66.93 | +65.0 |
消融阶梯的完整数字（原论文 Fig. 5 的全部行；RHAE 为 %，动作数是 25 个游戏合计，完成率以 25 款游戏为分母）：
| 配置 | RHAE (%) | 总动作数 | 完成游戏 | 说明 |
|---|---|---|---|---|
| 官方实现（文本网格） | 13.33 | 10,619 | 4% | 官方公布值，外部参考 |
| (i) 图像观察 | 47.32 | 16,343 | 36% | 文本网格 → 512×512 PNG |
| (ii) + 动作/时间限额 | 51.66 | 22,544 | 44% | 2,000 动作/48 小时每游戏 |
| (iii) + 连续对话 | 65.82 | 28,626 | 60% | 原生压缩续跑，替代滑动截断 |
| (iv) + GUIDE.md 与 WORKING.md | 70.05 | 23,702 | 76% | 两份笔记 + 修订模型提示词 |
| (v) + 无损记忆与检视 | 94.10 | 12,261 | 96% | 每动作只自动给最后一帧 |
| (vi) + 像素读出（完整 VISTA） | 99.00 | 9,126 | 100% | read_pixels 精确 RGB |
上表为本文按原论文 Fig. 5 重排的数据表，非新测量。(i)–(iv) 每个动作自动附带最多 7 帧（官方协议），(v)–(vi) 自动只给最终帧、其余帧由模型主动检视。官方文本网格一行是官方公布值，与 (i)–(vi) 的运行接口不同（API vs CLI），严格可比的是 (i)–(vi) 彼此。（PDF Fig. 5；附录 A.2）
原论文 Fig. 5 是消融阶梯的原始图，建议这样读： 三块面板从左到右分别是 RHAE、25 游戏总动作数、完成游戏百分比；七根柱从左到右按上表顺序排开。看 RHAE 面板时重点停在 (iv)→(v) 一跳（70.05 → 94.10）：这一级才引入 VISTA 的视觉组件。动作数的同级回落可以直接读出：(iv) 为 23,702，(v) 降到 12,261（更早的 (iii) 曾冲到 28,626）。但要注意 (v) 同时改了两件事——接入无损记忆与检视，并把每动作自动附带最多 7 帧改为只自动给最后一帧——所以动作回落不能只记在检视头上；可能的解释是检视替代了试探性动作、更少的自动推帧也减少了浪费，两者未被分开测量。（PDF p. 6, Fig. 5；附录 A.2）
跨环境结果的原始图（Fig. 11）按四个面板读：GameWorld 成功率与进度、AI GameStore 归一化几何平均、BabyVision 准确率；每组三根柱依次是新手人类、官方最小 harness、VISTA（GPT-5.6 Sol），虚线是此前最好成绩。注意 AI GameStore 面板的纵轴到 150——VISTA 的 140.3 是超过“人类中位=100”的归一化分，不是百分比。（PDF p. 9, Fig. 11）
逐游戏明细的一个细节： Table 2 显示 Opus 5.0 在全部 25 个游戏都是 100.00；GPT-5.6 Sol 完成全部游戏、均分 99.00，唯一低于满分的是 ls20（75.03 分，1,135 动作，人类参考的 1.46×）——其余 24 款都在 100.00。也就是说 GPT 的 99.00 不是“普遍差一点”，而是单游戏失手拉低的均值。正文 Fig. 4 的镜面游戏轨迹给出了单游戏粒度的动作效率示例：level 1 VISTA 16 个动作（人类参考 32），level 3 41 个（人类 75）。（PDF 附录 Table 2；Fig. 4, p. 5）
定性证据看两眼就够： Fig. 10a 展示跨时空取证——棋盘重置后，模型一次 inspect 取回此前 22 个回合中的 4 帧重建地图；Fig. 10b 展示局部取证——放大约 13 倍看清三个守卫的紫色标记朝向，得出“必须从安全侧按 A→B→C 拆”的结论。两例分别对应机制里“时间维”与“空间维”的取回路径。（PDF §4.4, Fig. 10）
原论文 Fig. 10 的读法： 左半 (a) 从上往下看——记忆条带标注“已存 1,472 帧”，一次 inspect 调用取回此前 22 个回合中的 4 帧（turn 125、128、139、145；当前观察是 turn 147 重置后的画面），用一次取证重建地图后再下动作；右半 (b) 对比“整帧”与“一次检视返回的约 13 倍放大图”，A/B/C 三个守卫的紫色标记在放大后才能分辨贴在哪一侧。两半的图注都按“inspect · the question it asks / Agent · what it concludes”成对给出问题与结论——检视不消耗游戏动作这一点由 Fig. 2 与 Fig. 14 的“free”标注体现，Fig. 10 本身没有该标注。（PDF p. 8, Fig. 10）
这篇论文的机制与证据由一条明确的依赖关系串起来：长程任务的失败被归因为视觉证据不可达（编码一次、有损保留），于是机制上做“存 + 取”（无损记忆 + 主动检视），证据上就必然要回答“取得到底值多少”。Fig. 5 的阶梯消融正面回答了增益落在哪一级——同一模型下逐级加装（注意 (iv) 起提示词也随之加了“建立可修订游戏模型”的指令，并非全程固定），(iv) 笔记与连续对话做到 70.05，接上证据库与取回工具（v）跳到 94.10，像素读出（vi）收尾到 99.00。归因要分两层读：相对外部参考的最大单跳来自换成图像观察（13.33 → 47.32），而 (iv)→(v) 是接口可比的 (i)–(vi) 阶梯内最大的一跳；读者推断：主动取回是完整 VISTA 里最关键的增量，但不能把全部增益都记在它头上。（PDF Fig. 5；附录 A.2）
作者对这一归因相当克制，值得原样保留：论文明说模型已有的能力仍是成功的关键因素，VISTA 只是把这些能力“引出来”；外骨架是对模型改进的补充，不是替代。（PDF §6）这一点在开源模型上看得最清楚：GLM-5.3 Flash 320B 从官方 harness 的 1.89 到完整 VISTA 的 66.93，提升幅度巨大，但绝对值仍与闭源底座的 99–100 有实质差距。读者推断：外骨架决定的是“能力可达性”，天花板仍在底座。3D 渲染实验（84.12 分、动作数翻倍以上）显示视觉更复杂时需要显著更多交互（论文原话），读者推断是检视的单位证据成本随之变高——外骨架不能把难度完全消化掉。（PDF §§4.3, 6）
证据的适用范围要跟着数字一起读。RHAE 的分母是“成功通关的首次人类玩家动作数上中位数”，0.43× 说明 VISTA 比初次上手的普通人高效，不是与熟练专家比较；且 RHAE 平方惩罚动作浪费、按 加权靠后关卡、用加权完成度封顶，“100.00”在这一记分法下的含义是“所有关卡都通关，且加权动作效率不低于人类参考”。此外有三处限定：其一，被测模型发布晚于这些公开基准，不能排除游戏进入过训练数据，作者自己把 ARC-AGI-3 私有集列为更强的泛化检验；其二，系统比较里对手多是同期的程序合成系统，且官方基线数值部分来自公布结果、部分为推算（Opus 5.0 的 40.68 由逐游戏分推得），接口（API vs CLI）也不完全一致；其三，GPT-5.6 Sol 的主结果有运行间波动（三次 RHAE 99.00 / 98.90 / 99.23，即 99.04 ± 0.17）；Opus 5.0 的满分是单次运行，论文没有给出它的重复数据。（PDF §6, Table 1 注；附录 B.1）
把机制与证据对齐后，有两处张力值得留给读者。第一，动作数随证据工具的引入大幅回落，但因果并未拆开——观察是 (iii) 无证据工具时 28,626 个动作，(iv)→(v) 接入记忆与检视的同级动作数 23,702→12,261（该级还同时把自动推帧从最多 7 帧改为只给最后一帧）；读者推断：检视替代试探性动作、自动推帧减少浪费都是可能解释，论文没有把它们分开测量。这暗示在动作昂贵、观察便宜的环境（机器人、网页操作）里，价目表设计可能与无损记忆同样关键，而论文没有拆开这两个因素。第二，BabyVision 上没有交互历史（单张静态图），检视仍把准确率从 41.0% 提到 63.2%——说明“空间维取回”（放大局部）独立于“时间维取回”（跨回合回看）也有价值，但两个维度的贡献在 ARC-AGI-3 上是捆绑测量的，论文未做正交分解。这两点都是下一步实验可以切开的地方，不是论文结论的漏洞。（PDF Fig. 5, Fig. 11, Fig. 10）
至于“该带走什么”：VISTA 证明了在一组要求发现未知规则的交互视觉游戏上，把视觉证据原样留住并交给模型主动取回，足以让通用多模态模型在不写一行程序合成的情况下，以首次人类参考 0.43× 的动作数拿满 RHAE；而消融阶梯、开源模型与 3D 渲染三组证据共同界定了这句话的边界——它成立在证据可达性受限、底座能力充足的场景里。（PDF §§4–7）