RoSeViT：用于 ARC 视觉推理的角色分离视觉 Transformer

RoSeViT 通过解耦高层指令推断与视觉工作区计算，在标准 ARC 协议下优于密集 ViT 基线。 该模型采用控制器 token 聚合变换信息，工作区 token 表示网格，非局部交互经控制器路由。 整合进完整系统后，RoSeViT-Ensemble 将 ARC-1 性能从 60.4 提升至 62.6，代码与检查点已开源。