不改模型只改 harness，能让 agent 玩赢游戏吗

agent 能力的天花板到底卡在模型还是卡在外围，这个问题的证据又多了两份。10 月 1 日的两篇 arXiv 论文都选择了不动模型、只改 harness 的路线，一份做视觉交互，一份做视频理解。

VISTA：给多模态模型一双长期眼睛

VISTA（arXiv:2610.02200）的作者阵容里有何恺明，出手就是标杆。论文的判断是多模态模型本身推理能力已经很强，缺的是合适的 harness 把它释放到交互任务上。VISTA 提供长程视觉：模型通过视觉观测感知环境，同时维护一份无损视觉记忆，过去的观测以原始形态全量保留，推理时可以检索、重组。

成绩单很硬：在 ARC-AGI-3 上，Claude Opus 5.0 借助 VISTA 把相对人类动作效率从 40.68 提到 100.00 满分，25 个公开局全部通关，动作数比首次游玩的人类少 57.4%；在另外三个视觉游戏与谜题基准上以极小适配泛化取胜。摘要页未见代码链接。

VideoEvolve：让 harness 自己进化

VideoEvolve（arXiv:2610.01766）处理视频时序定位：用自然语言查视频里事件发生的时间段。模型冻结的前提下，harness 决定查询如何引导时间预测、预测如何被精修，而手工精修要人肉诊断失败模式再协调改动。作者的方案是让 harness 自动进化：填空式的表示法固定各阶段接口、放开工作流与指令的演化空间，分支引导的进化策略保留有希望的代码分支，由执行反馈与验证集指路。

组件分析里有个值得记住的结论：指令精炼带来的是一致增益，进化出的代码却时灵时不灵。想快速涨点，先磨提示词。代码开源在 github.com/bingjunluo/VideoEvolve。

放在一起读

加上此前写过的 Mingbird 与 Jev 分工线，这已经是第四组指向同一结论的论文：harness 层的设计空间远没有挖完。对工程团队的直接启示是，升级模型之前，先把记忆结构、指令质量与工作流结构这几件便宜的事做完。