何恺明团队提出纯视觉方案NAT-ARC，用ImageNet猫狗花草预训练模型先学会“看”，再迁移到抽象格子推理，不依赖大语言模型。
ARC是公认最难的AI视觉智力测验之一，以往主流解法都把彩色格子转成文字交给LLM，视觉路线则因随机初始化、吃不到预训练红利而容易过拟合。
NAT-ARC在视觉流程前加入ImageNet MAE自监督预训练，复用公开checkpoint初始化编码器并微调，测试时对每题做LoRA适配，使模型能自动聚焦格子中的有意义图案。
其最佳单模型仅0.6B参数，在ARC-1上取得63.4% pass@2、集成后达70.2%，接近8B专用LLM的71.6%，证明预训练打通了视觉路线的scaling瓶颈，模型越大效果越好。