NVIDIA 的 AVO 智慧代理在 ARC-AGI-3 拿下滿分——靠的是幫 Claude Opus 5 穿上更好的「外骨骼」

8 月 21 日，NVIDIA 研究團隊發布了一個乍看像「刷榜」、細想卻意義深遠的結果：一套名為 AVO（Agentic Variation Operators，代理變異算子） 的智慧代理系統，在 ARC-AGI-3 公開測試集上拿下 100.00 RHAE 滿分，破解了 25 個遊戲環境、共 183 個關卡。而它底層用的模型，是 Claude Opus 5——同一個模型在 ARC Prize 官方排行榜上以 High 推理強度單獨應考時，成績只有約 30%。

沒有訓練新模型，沒有發表新權重。從 30% 到 100% 的全部差距，都來自包在模型外層的系統設計（harness）：持久記憶、監督迴圈，以及一套為長程任務打造的執行架構。NVIDIA 自己的總結一針見血：評測一個模型，不等於評測一個代理。

ARC-AGI-3 到底在測什麼

ARC-AGI-3 是 François Chollet 抽象推理測試的第三代，屬於互動式推理基準。代理被丟進一個陌生的遊戲環境：沒有說明書、沒有明示的規則、甚至沒有告訴你目標是什麼。它必須透過互動去探索、從自身行動的後果反推環境的運作邏輯與目標，然後在難度遞增的關卡中有效率地規劃行動。

計分採用 RHAE（Relative Human Action Efficiency，相對人類行動效率）——一個把任務完成度與每關行動效率結合、以首次接觸的人類基準為參照的指標。後半段是關鍵：一個靠蠻力亂試、最終也能破關的代理，會被 RHAE 重罰。想拿高分，必須能跨關卡保存有用的知識、從先前的互動中學習、從錯誤中恢復，並精打細算地使用每一次環境行動。

換句話說，它測的正是當前前沿模型最弱的一環：在沒有人類幫忙重置 context window 的情況下，長時間維持連貫且可累積的進展。

從 30% 到 100% 的拉升

NVIDIA 公開測試集成績的重點數字：

• 橫掃全部 25 個環境、183 關全破，RHAE 100.00
• 總共只用了 6,624 次環境行動——前一個最強的直接互動系統 VISTA，在同樣 183 關、同樣使用 Claude Opus 5 的條件下，回報使用了 7,542 次。跨系統比較下，AVO 硬是少用了約 12% 的行動
• 觀測採純文字：每個遊戲狀態以精確的 64×64 文字網格呈現，不送任何圖片或影像 token——相較 VISTA 主要配置的 512×512 渲染 PNG，是一個相當大的簡化

NVIDIA 對這些數字能證明什麼相當節制。文章明言與 VISTA 的比較「不應視為受控消融實驗」——兩套系統在代理後端、觀測表示、記憶與 context 管理上全都不同；而 30% 的 Opus 5 基準來自不同的推理設定與評測環境，因此這個差距是「示意」而非「測量」AVO 的貢獻。此外，這項成績只涵蓋公開集，不包括 ARC Prize 發獎金用的半私有與全私有競賽集。

但即便守住這些但書，這個發現的形狀依然難以反駁：同一個模型，包進不同的系統機制，就能產出天差地遠的代理智慧。

AVO 的出身：七天連續跑 GPU 核心

AVO 並非為了打遊戲而生。它最初是為自主 GPU 核心最佳化打造的——回饋來自編譯器、分析器與硬體基準測試，堪稱比遊戲更嚴苛的長程紀律測試。

在 NVIDIA 的注意力核心研究中，AVO 連續運行了七天，探索超過 500 個最佳化方向，提交了 40 個核心版本。在 DGX B200 系統上，產出的多頭注意力核心在評測組態中比 cuDNN 快最多 3.5%、比 FlashAttention-4 快最多 10.5%。之後代理又只花約 30 分鐘的自主作業，就把演化出的核心改寫成群組查詢注意力（GQA）版本。

這套架構有兩根承重柱，而且都能跨領域通用：

持久記憶把先前的實作、評測結果、編譯器與分析器輸出、累積的推理過程全部帶著走——讓代理能「從現在的狀態繼續」，而不是每次 context 滾動就把搜尋進度打掉重練。在一個「第 n 關學到的教訓往往是第 n+1 關的鑰匙」的基準上，這就是「學習」與「失憶」的差別。

監督迴圈則是第二雙眼睛，監控整體軌跡是否停滯、是否陷入重複的無效循環，並在進度卡死時把主代理導向替代策略。主代理依然掌握「檢查什麼、改什麼、測什麼、提交什麼」的決定權；監督者的任務是讓搜尋持續向前。

真正有趣的是 NVIDIA 的「可遷移」論證：GPU 最佳化與 ARC-AGI-3 表面上毫無相似之處，但底層都是同一個迴圈——形成假設、透過外部介面行動、觀察後果、保存有用狀態、修正對問題的理解、從錯誤假設中恢復、然後繼續。團隊寫道：「會遷移的不是領域知識，而是讓推理與回饋得以隨時間複利的機制。」

一套架構，多個模型

AVO 在設計上也對模型中立。在一組具挑戰性的遊戲子集上，NVIDIA 把它換搭 GPT-5.6 Sol，初步結果展示了互補的操作輪廓：在多個案例中 Sol 以更快的實際時間抵達相同關卡，而 Opus 5 在同關卡比較中用了更少的環境行動。團隊把系統性比較留給未來工作，但方向很清楚——harness 正在成為可攜帶的資產，模型反而變成其中可替換的零件。

為什麼「系統優於模型」的論點一再應驗

AVO 是今年持續升溫的趨勢中，最新也最乾淨的一個數據點。VISTA 率先用 Claude Code 與 Codex harness 證明了這一點；Tycho 從反方向進攻，用顯式的可執行世界模型攻同一個基準；而在 8 月 23 日發布的 Prime Intellect nanoGPT 極速調校賽中，Claude Fable 5 的奪冠很大程度上也歸功於模型能否維持「最佳化—測試—修正」的自主迴圈。這些結果指向同一課：掛對鷹架的中階模型，打得過裸奔的前沿模型。

對開發者來說，這是真正的好消息。它意味著代理能力有一部分是工程問題——記憶設計、監督迴圈、工具介面、錯誤恢復策略——而不純粹是「誰買得起最大的模型」。NVIDIA 並未說明 AVO 會不會以開源框架形式釋出，還是僅止於內部研究展示，而這正是懸在這個結果上方、最關鍵的未決問題。

還有一個基準治理的層面。當 harness 能把模型從 30% 拉到公開集滿分，只回報裸模型分數的排行榜，對真實代理效能的說服力只會越來越低。ARC Prize 的半私有與私有集正是為了防 overfitting 而存在，而對本週消息最誠實的解讀是：公開集已經實質飽和了。 前沿已經移動：問題不再是「哪個模型最聰明」，而是「哪套系統能把模型智慧轉化成持續、有效率的行動」。

NVIDIA 的結論可以印在貼紙上，而每一個代理開發者都該把它刻在心裡：模型很重要，但模型不等於代理的全部。