Самое интересное здесь не в том, что новая базовая модель внезапно научилась решать весь бенчмарк. Ключевой фактор — агентская архитектура, созданная для длительной работы с программным кодом и оптимизации GPU-ядер, но затем перенесённая на совершенно другую задачу: исследование незнакомых интерактивных сред.

Главное: NVIDIA усилила систему вокруг модели

В опубликованном сравнительном срезе Claude Opus 5 показывал 30,2%, а GPT-5.6 Sol — 7,8% при использовании стандартного тестового контура.

Результат AVO получен с использованием той же общей базовой модели, но внутри системы, рассчитанной на длительные цепочки действий. Она умеет изучать и изменять рабочие объекты, запускать инструменты и команды, обращаться к документации, оценивать результат и менять подход на основе внешней обратной связи.

На практике AVO заменяет одношаговую схему «вопрос — ответ» циклом:

1. Сформировать гипотезу о задаче.
2. Выполнить действие через доступный инструмент.
3. Посмотреть, как отреагировала среда.
4. Сохранить полезные открытия и состояние.
5. Проверить, сработал ли результат.
6. Изменить стратегию и продолжить работу.

Для ARC-AGI-3 такой цикл особенно важен: агенту приходится исследовать незнакомые интерактивные среды и самостоятельно выводить их правила и цели по ходу взаимодействия, а не отвечать на полностью сформулированный запрос.

Что именно добавляет архитектура AVO

Сила AVO — в координации нескольких функций, каждая из которых по отдельности выглядит привычно, но вместе позволяет модели работать на длинном горизонте.

Постоянная память

Постоянная память сохраняет обнаруженные закономерности, неудачные подходы и важное состояние задачи. Агенту не приходится воспринимать каждый новый шаг как отдельный обмен сообщениями. В тесте, построенном на исследовании, это помогает не повторять уже совершённые ошибки и формировать рабочую модель незнакомой среды.

Инструменты и проверка через выполнение

AVO создавалась как система для работы с кодом: агент может изучать проект, вносить изменения, выполнять команды и проверять результат. Поэтому его рассуждения связаны с наблюдаемыми последствиями: предложенное изменение можно протестировать и измерить, а затем принять или отклонить на основании фактов, а не правдоподобия формулировки.

Надзор и восстановление

Слой супервизии координирует длительный процесс. Вместо того чтобы бесконечно передавать управление одному вызову модели, система может отслеживать прогресс, замечать непродуктивное направление и помогать восстановиться после неверной гипотезы. В описаниях NVIDIA AVO представлена как сочетание памяти, инструментов выполнения, внешней обратной связи и надзора для продолжительной автономной работы.

Вместе эти компоненты создают структурированный цикл «исследовать — действовать — наблюдать — исправлять». Модель по-прежнему выполняет значительную часть рассуждений, однако именно агентский контур определяет, как эти рассуждения воплощаются во взаимодействии со средой.

Сравнение с Claude Opus 5 и GPT-5.6 Sol

Сопоставление показателей полезно, но его необходимо рассматривать с учётом разных настроек оценки.

Показатели AVO и отдельной модели нельзя считать полностью одинаковыми измерениями. В первом случае речь идёт о результате полноценной агентской системы на публичном наборе, во втором — о показателе модели в рамках конкретного бенчмарк-контура. Именно эта разница и является центральной частью истории.

GPT-5.6 Sol демонстрирует тот же эффект с другой стороны. В опубликованных ARC Prize результатах Sol получил 7,78% при максимальном уровне рассуждений, тогда как OpenAI отдельно сообщила о показателе 38,3% на публичных задачах после сохранения рассуждений между ходами и использования компактификации. Это не является прямой заменой официального результата в таблице лидеров, но показывает, насколько память и управление состоянием могут влиять на показатели агента.

Наиболее осторожный вывод звучит так: ни одна модель не становится автоматически лучшей во всех сценариях. Автономная производительность заметно зависит от сочетания модели, политики памяти, интерфейса инструментов, управления состоянием и тестового контура.

Почему AVO пришла из оптимизации GPU-ядер

Изначально AVO применялась в сложной разработке программного обеспечения и оптимизации GPU-ядер. В такой работе агент должен изучить реализацию, предложить изменение, запустить тесты на реальном оборудовании, интерпретировать данные о производительности и решить, что пробовать дальше. Успех требует повторяющихся экспериментов, а не одной удачной генерации кода.

NVIDIA сообщает, что в работе с GPU-ядрами AVO исследовала более 500 направлений, зафиксировала 40 версий ядер и получила прирост производительности до 10,5% по сравнению с FlashAttention-4 на системах DGX B200.

Переносимый навык здесь — не обязательно знания о GPU. Важнее сам экспериментальный процесс: создать вариант, выполнить его, измерить результат, сохранить полученные сведения и сменить направление, если факты расходятся с исходной гипотезой. ARC-AGI-3 использует другой интерфейс, но также вознаграждает способность находить структуру через последовательное взаимодействие.

Эффективность действий тоже имеет значение

По данным NVIDIA, AVO решила весь публичный набор за 6 624 действия среды, тогда как для VISTA сообщалось о 7 542 действиях. Это примерно на 12% меньше при прохождении тех же 183 уровней.

Показатель важен потому, что метрика ARC-AGI-3 RHAE учитывает не только достижение успешного состояния, но и эффективность действий относительно человеческого результата. Долгосрочная система должна поэтому контролировать исследование: чрезмерные попытки могут сделать даже способного агента медленным, дорогим и непрактичным.

Что это означает для корпоративного ИИ

Для бизнеса главный урок связан с архитектурой. Надёжная автономная система, вероятно, не будет просто большой языковой моделью, подключённой к нескольким инструментам. Вокруг модели нужен управляемый слой выполнения.

В него могут входить:

• постоянная память задачи и явное управление состоянием;
• узкие и тестируемые интерфейсы инструментов;
• точки валидации перед выполнением важных действий;
• видимые промежуточные шаги и журналы аудита;
• механизмы восстановления, отката и эскалации; и
• чёткие разрешения для операций, затрагивающих клиентов, системы или данные.

Результат AVO также усиливает аргументы в пользу модульных агентских стеков. Если значительная часть прироста производительности обеспечивается оболочкой, организациям выгодно отделять память, адаптеры инструментов, наборы тестов, политики и наблюдаемость от базовой модели. Тогда модель можно заменить или сравнить с другой без перестройки всей системы.

Однако показатель 100% нельзя считать доказательством корпоративной надёжности. Речь идёт о заявленном NVIDIA результате на публичном наборе ARC-AGI-3. Он не подтверждает аналогичную работу на закрытых задачах, производственных данных или бизнес-процессах с высоким риском. Нужны независимое воспроизведение, тестирование на скрытом наборе, оценка стоимости и задержек, проверка безопасности и отдельная оценка рисков.

Главный вывод

AVO переводит разговор с вопроса «Какая модель умнее?» к более практичному вопросу: какая система умеет сохранять контекст, пользоваться инструментами, учиться на обратной связи и надёжно восстанавливаться в ходе длинного процесса?

Базовая модель остаётся важной, но ARC-AGI-3 наглядно показывает: именно окружающий её агентский контур может определить, сохранится ли способность рассуждать при столкновении с незнакомой средой. Для компаний, создающих автономный ИИ, конкурентное преимущество всё чаще может быть связано с качеством системы выполнения, а не только с отдельным вызовом модели.

Самое интересное здесь не в том, что новая базовая модель внезапно научилась решать весь бенчмарк. Ключевой фактор — агентская архитектура, созданная для длительной работы с программным кодом и оптимизации GPU-ядер, но затем перенесённая на совершенно другую задачу: исследование незнакомых интерактивных сред.

Главное: NVIDIA усилила систему вокруг модели

В опубликованном сравнительном срезе Claude Opus 5 показывал 30,2%, а GPT-5.6 Sol — 7,8% при использовании стандартного тестового контура.

Результат AVO получен с использованием той же общей базовой модели, но внутри системы, рассчитанной на длительные цепочки действий. Она умеет изучать и изменять рабочие объекты, запускать инструменты и команды, обращаться к документации, оценивать результат и менять подход на основе внешней обратной связи.

На практике AVO заменяет одношаговую схему «вопрос — ответ» циклом:

1. Сформировать гипотезу о задаче.
2. Выполнить действие через доступный инструмент.
3. Посмотреть, как отреагировала среда.
4. Сохранить полезные открытия и состояние.
5. Проверить, сработал ли результат.
6. Изменить стратегию и продолжить работу.

Для ARC-AGI-3 такой цикл особенно важен: агенту приходится исследовать незнакомые интерактивные среды и самостоятельно выводить их правила и цели по ходу взаимодействия, а не отвечать на полностью сформулированный запрос.

Что именно добавляет архитектура AVO

Сила AVO — в координации нескольких функций, каждая из которых по отдельности выглядит привычно, но вместе позволяет модели работать на длинном горизонте.

Постоянная память

Постоянная память сохраняет обнаруженные закономерности, неудачные подходы и важное состояние задачи. Агенту не приходится воспринимать каждый новый шаг как отдельный обмен сообщениями. В тесте, построенном на исследовании, это помогает не повторять уже совершённые ошибки и формировать рабочую модель незнакомой среды.

Инструменты и проверка через выполнение

AVO создавалась как система для работы с кодом: агент может изучать проект, вносить изменения, выполнять команды и проверять результат. Поэтому его рассуждения связаны с наблюдаемыми последствиями: предложенное изменение можно протестировать и измерить, а затем принять или отклонить на основании фактов, а не правдоподобия формулировки.

Надзор и восстановление

Слой супервизии координирует длительный процесс. Вместо того чтобы бесконечно передавать управление одному вызову модели, система может отслеживать прогресс, замечать непродуктивное направление и помогать восстановиться после неверной гипотезы. В описаниях NVIDIA AVO представлена как сочетание памяти, инструментов выполнения, внешней обратной связи и надзора для продолжительной автономной работы.

Вместе эти компоненты создают структурированный цикл «исследовать — действовать — наблюдать — исправлять». Модель по-прежнему выполняет значительную часть рассуждений, однако именно агентский контур определяет, как эти рассуждения воплощаются во взаимодействии со средой.

Сравнение с Claude Opus 5 и GPT-5.6 Sol

Сопоставление показателей полезно, но его необходимо рассматривать с учётом разных настроек оценки.

Показатели AVO и отдельной модели нельзя считать полностью одинаковыми измерениями. В первом случае речь идёт о результате полноценной агентской системы на публичном наборе, во втором — о показателе модели в рамках конкретного бенчмарк-контура. Именно эта разница и является центральной частью истории.

GPT-5.6 Sol демонстрирует тот же эффект с другой стороны. В опубликованных ARC Prize результатах Sol получил 7,78% при максимальном уровне рассуждений, тогда как OpenAI отдельно сообщила о показателе 38,3% на публичных задачах после сохранения рассуждений между ходами и использования компактификации. Это не является прямой заменой официального результата в таблице лидеров, но показывает, насколько память и управление состоянием могут влиять на показатели агента.

Наиболее осторожный вывод звучит так: ни одна модель не становится автоматически лучшей во всех сценариях. Автономная производительность заметно зависит от сочетания модели, политики памяти, интерфейса инструментов, управления состоянием и тестового контура.

Почему AVO пришла из оптимизации GPU-ядер

Изначально AVO применялась в сложной разработке программного обеспечения и оптимизации GPU-ядер. В такой работе агент должен изучить реализацию, предложить изменение, запустить тесты на реальном оборудовании, интерпретировать данные о производительности и решить, что пробовать дальше. Успех требует повторяющихся экспериментов, а не одной удачной генерации кода.

NVIDIA сообщает, что в работе с GPU-ядрами AVO исследовала более 500 направлений, зафиксировала 40 версий ядер и получила прирост производительности до 10,5% по сравнению с FlashAttention-4 на системах DGX B200.

Переносимый навык здесь — не обязательно знания о GPU. Важнее сам экспериментальный процесс: создать вариант, выполнить его, измерить результат, сохранить полученные сведения и сменить направление, если факты расходятся с исходной гипотезой. ARC-AGI-3 использует другой интерфейс, но также вознаграждает способность находить структуру через последовательное взаимодействие.

Эффективность действий тоже имеет значение

По данным NVIDIA, AVO решила весь публичный набор за 6 624 действия среды, тогда как для VISTA сообщалось о 7 542 действиях. Это примерно на 12% меньше при прохождении тех же 183 уровней.

Показатель важен потому, что метрика ARC-AGI-3 RHAE учитывает не только достижение успешного состояния, но и эффективность действий относительно человеческого результата. Долгосрочная система должна поэтому контролировать исследование: чрезмерные попытки могут сделать даже способного агента медленным, дорогим и непрактичным.

Что это означает для корпоративного ИИ

Для бизнеса главный урок связан с архитектурой. Надёжная автономная система, вероятно, не будет просто большой языковой моделью, подключённой к нескольким инструментам. Вокруг модели нужен управляемый слой выполнения.

В него могут входить:

• постоянная память задачи и явное управление состоянием;
• узкие и тестируемые интерфейсы инструментов;
• точки валидации перед выполнением важных действий;
• видимые промежуточные шаги и журналы аудита;
• механизмы восстановления, отката и эскалации; и
• чёткие разрешения для операций, затрагивающих клиентов, системы или данные.

Результат AVO также усиливает аргументы в пользу модульных агентских стеков. Если значительная часть прироста производительности обеспечивается оболочкой, организациям выгодно отделять память, адаптеры инструментов, наборы тестов, политики и наблюдаемость от базовой модели. Тогда модель можно заменить или сравнить с другой без перестройки всей системы.

Однако показатель 100% нельзя считать доказательством корпоративной надёжности. Речь идёт о заявленном NVIDIA результате на публичном наборе ARC-AGI-3. Он не подтверждает аналогичную работу на закрытых задачах, производственных данных или бизнес-процессах с высоким риском. Нужны независимое воспроизведение, тестирование на скрытом наборе, оценка стоимости и задержек, проверка безопасности и отдельная оценка рисков.

Главный вывод

AVO переводит разговор с вопроса «Какая модель умнее?» к более практичному вопросу: какая система умеет сохранять контекст, пользоваться инструментами, учиться на обратной связи и надёжно восстанавливаться в ходе длинного процесса?

Базовая модель остаётся важной, но ARC-AGI-3 наглядно показывает: именно окружающий её агентский контур может определить, сохранится ли способность рассуждать при столкновении с незнакомой средой. Для компаний, создающих автономный ИИ, конкурентное преимущество всё чаще может быть связано с качеством системы выполнения, а не только с отдельным вызовом модели.