VISTA: Claude Opus 5.0 kończy 25 gier ARC-AGI-3 szybciej niż ludzie

Zespół z udziałem Kaiminga He opublikował 1 października 2026 w arXiv pracę o VISTA, czyli nakładce, która daje modelowi multimodalnemu bezstratną pamięć wzrokową. Z tą nakładką Claude Opus 5.0 ukończył wszystkie 25 publicznych gier ARC-AGI-3, zużywając o 57,4% mniej ruchów niż ludzie grający pierwszy raz.

Najważniejsze w skrócie

Praca „VISTA: A Visual Harness for Reasoning in an Interactive World" trafiła do arXiv 1 października 2026
Wynik Relative Human Action Efficiency dla Claude Opus 5.0 rośnie z 40,68 do 100,00
Model ukończył wszystkie 25 publicznych gier ARC-AGI-3
Liczba wykonanych ruchów była o 57,4% niższa niż u ludzi grających po raz pierwszy
Autorzy: Qiushi Han, Keya Hu, Linlu Qiu, Cathy Wu i Kaiming He

40,68 → 100,00Relative Human Action Efficiency modelu Claude Opus 5.0 po podpięciu nakładki VISTA — bez zmiany wagarXiv 2610.02200

Pamięć, która nie streszcza

Typowa nakładka na model opisuje obserwacje słowami i przechowuje skrót rozmowy. VISTA robi odwrotnie. Model widzi środowisko bezpośrednio, a wszystkie wcześniejsze obserwacje zostają zachowane w oryginalnej postaci, bez kompresji do tekstu. Model może sam sięgnąć po dowolną z nich i przeorganizować swoje wejście wizualne w trakcie rozumowania. Autorzy nazywają to bezstratną pamięcią wzrokową.

VISTA

Obserwacja ze środowiskasurowy obraz, bez opisu słowami

Zapis do bezstratnej pamięci wzrokowejoryginalna postać, zero kompresji do tekstu

Model potrzebuje wcześniejszej obserwacji?

TAK

Pobiera ją i przestawia swoje wejścieAllow

NIE

Działa na bieżącym widoku

Ruch w środowiskuwynik wraca jako kolejna obserwacja

Pętla VISTA — obserwacje wracają w oryginale, nie w streszczeniu

Co mierzy ARC-AGI-3

ARC-AGI-3 to benchmark interaktywny, nie zbiór zadań z jedną odpowiedzią. Agent trafia do nieznanego środowiska, sam musi odgadnąć cel i zbudować model świata w trakcie gry. Punktacja nie pyta o samą wygraną, lecz o efektywność: według ARC Prize wynik 100% oznacza, że agent kończy każdą grę równie sprawnie jak człowiek.

\dots Model z nakładką zużywa niespełna 43% ruchów, których potrzebowali ludzie grający pierwszy raz. ▶ Znaczenie symboli \dots liczba ruchów zużytych przez model z nakładką VISTA \dots liczba ruchów ludzi grających po raz pierwszy \dots taki ułamek ruchów człowieka wystarcza modelowi do tego samego wyniku

Dlatego skok z 40,68 do 100,00 nie oznacza nagłego nauczenia się reguł, tylko przejście od metody prób i błędów do działania planowego.

Ten sam model, inna obudowa

Kluczowy punkt pracy dotyczy podziału zasług. Model bazowy pozostaje ten sam, zmienia się wyłącznie sposób podawania mu obserwacji. W trzech dodatkowych benchmarkach z grami i łamigłówkami wizualnymi VISTA wypada wyraźnie lepiej niż warianty tego samego modelu z minimalnymi nakładkami. To argument za tym, że część dzisiejszych porażek agentów bierze się z obudowy, nie z braku zdolności.

Dlaczego to ważne?

Branża zwykle odpowiada na słabe wyniki agentów kolejnym treningiem. Ta praca sugeruje tańszą ścieżkę: zostawić wagi w spokoju i naprawić sposób, w jaki model dostaje i odzyskuje obserwacje. Jeśli wynik się utrzyma, benchmarki interaktywne zaczną mierzyć nie tyle sam model, co parę model plus nakładka. Zmienia to także zasady porównań, bo liczby bez opisu obudowy przestają być porównywalne. Dla zespołów budujących agenty audyt obudowy staje się równie istotny jak wybór modelu.

Co dalej?

Praca jest preprintemPreprint: Wersja pracy naukowej udostępniona publicznie przed recenzją. Wyniki mogą się jeszcze zmienić albo nie przejść weryfikacji. i nie przeszła recenzji, więc wynik 100,00 wymaga niezależnego powtórzenia na publicznym zestawie gier
Zestaw publiczny ARC-AGI-3 obejmuje 25 gier, a prywatny pozostaje poza zasięgiem autorów, co ograniczy wnioski do czasu testu na ukrytym zbiorze