RUITA / DAILY BRIEF ·
VISTA 用视觉记忆与主动回看提升多模态智能体表现
MIT 等研究者提出 VISTA:在不额外训练基座模型的条件下,用无损视觉记忆和回看工具支持交互任务。
KEY FACTS
核心信息
- 01
VISTA 论文提出无损视觉记忆与主动回看、放大工具。
- 02
论文报告搭配 Claude Opus 5.0,在 ARC-AGI-3 的 25 个公开游戏上达到 RHAE 100。
- 03
作者公开了代码,可供研究者查验系统设计和复现条件。
方法是什么
VISTA 把交互过程中见过的原始画面保留下来,让模型在需要时主动回看和放大,而不是只依赖压缩后的当前上下文。论文把这种设计称为视觉原生 Harness。
研究意义与限制
对 Agent、具身和人机交互课程,VISTA 提供了比较‘增加工具’与‘重新训练模型’的案例。基准结果应按论文给出的模型、游戏和评价口径理解,并留意闭源基座模型训练数据不可完全核查的局限。