VISTA：为多模态模型在交互世界中提供视觉推理框架

VISTA 是一个视觉框架（harness），让通用多模态模型获得长时程视觉能力，可直接通过视觉观察感知环境，并以无损视觉记忆保留原始历史观察，模型在推理时可主动检索并重组视觉输入。在 ARC-AGI-3 上，VISTA 提升了模型表现。