Claude满分、GPT 99分！何恺明团队把AGI考试打穿了

新智元报道 何恺明团队的新论文，在X上炸了！ 十一期间刚挂上arXiv的VISTA论文显示， 过去半年，全世界最顶尖的大模型，全是被「蒙着眼睛」赶上AGI考场的 。 同一个Claude Opus 5，在官方标准测试里只拿了可怜的40分。 何恺明团队只不过帮它摘掉了眼罩，让它亲眼看游戏画面，顺手递给它一本能随时往回翻的「相册」。 结果， Claude直接把ARC-AGI-3的25个公开游戏全部打穿，拿下100分满分！ 而且它走的步数，甚至比第一次玩的人类还少了一半多。 18个从没见过的游戏，没人给它一句说明，AI自己摸清规则一路通关 知名AI博主Mark Kretschmann在X上写道：「给Agent一个『再看一眼』的能力，差别可能非常大。」 过去几个月，为了打穿ARC-AGI-3，各路代码大神写了几千行代码搞世界模拟器。 何恺明团队的判断是， 大模型的脑子早就够用了，卡住它的，是眼睛和记性 。 大模型被一张数字表，坑了半年 ARC-AGI-3，是Keras之父François Chollet和ARC Prize基金会今年3月出的AGI考卷。一堆交互式像素小游戏，开局没有任何说明和规则，全靠玩家自己摸索试错。 分数算法极其严苛。官方找来近500名人类小白实测，AI不光要通关，步数还不能比人类多，才能拿满分。 可官方考场递给大模型的，只是一张64×64的数字表。 人类看到的小人、机关和路线，到了模型那里只剩4096个数字 。 这相当于让人闭着眼，听别人报坐标去玩《超级马里奥》。 同一帧画面，左边是官方递给模型的数字表，右边是VISTA让它直接看的图 VISTA团队做的第一件事，就是把数字表换回图片。 别的什么都没改， GPT-5.6 Sol的分数就从13.33分跳到了47.32分 。 看图还更省算力。一个数字格子要吃掉约4000个Token，一张512×512的图片只要308个。 一局跑下来，文本版烧掉7190万Token，图片版只要3070万，分数还更高。 光是换上一双真正的眼睛，大模型就捡回了34分。 只把数字换成图片，GPT-5.6 Sol的分数涨了三倍多，能通关的游戏从1个变成9个 让AI过目不忘，一步多拿24分 光能看见还不够。一局游戏动辄几百步，多模态模型的通病是：图片看一遍，上下文一满就删，或者压缩成几句文字摘要。 等模型想回头核对细节时，那一帧早就灰飞烟灭了。 VISTA的核心杀招，就是一本无损视觉记忆「相册」。 游戏吐出的每一帧画面，连动画帧在内，全按编号原样存档。模型想看哪一帧，随时调用inspect翻出来，几帧并排对比、角落放大都行，还能用read_pixels读出精确颜色。 最重要的是， 翻相册不算步数 ，只有真在游戏里操作才计步。 团队把这套机制叫作「显式注意力」，翻哪一帧、看哪一块，全由模型自己说了算。 它还随身带着两个笔记本，GUIDE.md记游戏规则，WORKING.md当草稿纸。 VISTA的一个回合，模型看画面、想规则，需要时翻相册，最后才走一步 论文里记录了一个极度「像人」的操作瞬间。 在BP35游戏第3关，画面出现了一个橙色方块。模型点了一下，橙块变成了X。 它先停了下来，把上一回合的最后一帧和刚才的三帧动画调出来，并排回放。 几回合后，它又发现点X能让橙块重新长出来，当场写道：「这就是我要的工具，用它搭天花板，挡住会要命的上升。」 这一关，第一次玩的人类要走44步，它只用了34步。 点完橙块，模型先把前后4帧动画调出来逐帧比对，看懂了才接着走 到了《吃豆人》里，迷宫里的豆子吃一颗少一颗。模型干脆在第13回合和第36回合，两次强行翻回开局第一帧去记迷宫地图找路。 给模型多塞上下文、多给像素，是很多人的第一反应。 论文测下来，这两招都不灵 。 上下文从默认的200K开到780K，每局Token从3070万涨到1.057亿，成绩却从99分退到93.9。 图片也是这样。放大到16倍，每帧Token涨到1229个，成绩只剩88.3；只放大4倍，成绩是99.7，比默认的8倍还高。 论文的解释是，图片太大，多出来的Token白白占掉上下文，模型却没有因此看得更明白。 上下文从200K拉到780K、图片从8倍放到16倍，分数都不升反降 多给不一定更好，VISTA整套设计走的都是这个思路，团队在博客里说，他们刻意追求极简。 系统里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 。 VISTA给模型的全部提示词 代码派卷了一夏天，它一页笔记就追平 这个夏天刷爆ARC-AGI-3的高分方案，比如Tycho和Schema，都是让大模型给每个游戏写一套能运行的程序，硬造一个模拟器来反复试错。 光跳棋游戏LF52一个，Schema就写了整整4000行Python。 而VISTA里的模型，只用自然语言在笔记里写了三句话，就搞定了同样的规则。 同一条跳棋规则，左边是程序路线的代码（全部约4000行），右边是VISTA的模型自己记的三句笔记 按论文的说法， VISTA是第一个不靠写程序，就在ARC-AGI-3上做到满分或近满分的系统 。 这一点放到游戏之外更要紧，真实世界里，没有谁能提前给你写好一套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，只有人类的0.43倍。 GPT-5.6 Sol同样全部通关，拿到99分。 m0r0这个游戏，人类要走1107步，Claude只用了219步。两份成绩在ARC Prize官方平台上都有记分卡。 ARC Prize官方平台上的记分卡，183关全部通关，25个游戏全是满分 25个游戏挨个比，蓝条全都比灰条短，蓝色是Claude，灰色是第一次玩的人类 这套纯机械、0训练的Harness极其泛用。 把它塞进带透视的3D画面里，照样拿下84.12分。 套上GPT-5.6 Sol扔进34个网页游戏（包含马里奥、2048、我的世界等），任务成功率63.3%，直接压过人类小白（55.3%）。 就连静态的看图题也能用上。BabyVision的一道连线题，不用VISTA时模型把驼鹿和兔子连反了，用上VISTA放大一看，就答对了。 哪怕是用官方实现几乎交了白卷（1.89分）的320B开源模型，套上VISTA后硬生生被抬到了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。 但何恺明团队偏不信邪，一年连发三篇， 死磕同一件事：ARC是视觉问题 。 第一篇VARC，1800万参数的小号视觉模型从零训练，纯看图就追平了人类平均分。 第二篇NAT-ARC，先让模型在ImageNet上看猫看狗补课，抽象推理跟着变强。 第三篇就是VISTA，小模型都不练了，直接给前沿大模型配上「相册」。 何恺明组一年三篇ARC论文，押的都是「ARC是视觉问题」 串起三篇论文的，是何恺明的博士生胡珂雅，本科出自上海交大ACM班，三篇里两篇一作、一篇二作。 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。 曾经靠ResNet和MAE封神的何