Så nådde NVIDIAs AVO-agent 100 procent i ARC-AGI-3

NVIDIA uppger att systemet Agentic Variation Operators (AVO) fick perfekta 100,00 RHAE i den offentliga delen av det interaktiva testet ARC-AGI-3. Med Claude Opus 5 som underliggande modell klarade AVO samtliga 183 nivåer i 25 miljöer – på 6 624 handlingar.

Det uppseendeväckande är inte att en ny grundmodell plötsligt löste testet. Poängen är att en agentarkitektur, ursprungligen byggd för programvaruutveckling och optimering av GPU-kärnor, kunde överföras till en helt annan typ av interaktiv problemlösning.

Den korta förklaringen: AVO förbättrade systemet runt modellen

Claude Opus 5 stod på 30,2 procent i den publicerade ögonblicksbilden av ARC-AGI-3:s topplista. GPT-5.6 Sol hade 7,8 procent i den standardiserade testuppsättningen.

NVIDIAs AVO-resultat byggde däremot på samma typ av underliggande modell tillsammans med ett körsystem som är utformat för att hålla i gång arbetet över många steg. Systemet kan granska och ändra artefakter, köra verktyg och kommandon, läsa dokumentation, utvärdera resultat och justera strategin utifrån återkoppling från omvärlden.

I praktiken ersätter AVO ett engångssvar med en återkopplande arbetsloop:

1. Formulera en hypotes om uppgiften.
2. Utför en handling med ett tillgängligt verktyg.
3. Observera hur miljön reagerar.
4. Spara användbara upptäckter och tillstånd.
5. Kontrollera om resultatet fungerar.
6. Ändra strategin och fortsätt.

Det är särskilt viktigt i ARC-AGI-3. Där måste agenten utforska okända, interaktiva miljöer och själv dra slutsatser om regler och mål genom att agera – i stället för att bara svara på en färdigformulerad fråga.

Vad AVO tillför

Arkitekturen kombinerar flera funktioner som var och en låter relativt enkel, men som blir betydligt kraftfullare när de samordnas över en lång uppgift.

Beständigt minne

Med beständigt minne kan agenten behålla upptäckter, misslyckade angreppssätt och relevant tillstånd i stället för att behandla varje steg som ett fristående samtal. I ett test som bygger på utforskning kan det minska upprepade misstag och hjälpa systemet att bygga en fungerande bild av en okänd miljö.

Verktyg och extern återkoppling

AVO utvecklades som ett kodagent-system som kan granska arbete, göra ändringar, köra kommandon och validera resultat. Resonemanget kopplas därmed till observerbara effekter: ett föreslaget steg kan testas, mätas och revideras i stället för att godtas enbart för att det låter rimligt.

Övervakning och återhämtning

Ett övervakande lager hjälper till att samordna den längre processen. I stället för att låta ett enda modell-anrop styra varje beslut utan slut kan systemet följa framstegen, upptäcka improduktiva riktningar och hjälpa agenten att återhämta sig när ett antagande visar sig vara fel. NVIDIA och relaterade beskrivningar framställer AVO som en kombination av minne, körverktyg, extern återkoppling och övervakning för långvarigt autonomt arbete.

Tillsammans ger delarna modellen en strukturerad metod för att utforska, agera, observera och korrigera. Modellen står fortfarande för mycket av själva resonemanget, men agentramverket avgör hur resonemanget omsätts i handling i miljön.

Hur resultatet står sig mot Claude Opus 5 och GPT-5.6 Sol

Jämförelsen är intressant, men siffrorna måste läsas tillsammans med hur de togs fram.

System eller konfiguration	Rapporterat resultat i ARC-AGI-3	Utvärderingssammanhang
AVO med Claude Opus 5	100,00 RHAE	Offentlig uppsättning; 183 av 183 nivåer klarade
Claude Opus 5 ensam	30,2 %	Publicerad topplistebild och standardiserad jämförelse
GPT-5.6 Sol	7,8 %	Standardiserad eller verifierad jämförelse
GPT-5.6 Sol med bevarat resonemang och komprimering	38,3 %	Anpassad körning på offentliga uppgifter, rapporterad av OpenAI

AVO-resultatet och siffran för den fristående Opus-modellen är alltså inte exakt samma sorts mätning. Det första är ett komplett agent-systemresultat på den offentliga uppsättningen, medan det andra är ett modellresultat i ett benchmark-ramverk. Just den skillnaden är central för att förstå nyheten.

GPT-5.6 Sol illustrerar samma sak från ett annat håll. ARC Prizes publicerade resultat visar Sol på 7,78 procent vid maximal resonemangsansträngning, medan OpenAI separat rapporterade 38,3 procent på offentliga uppgifter efter att ha bevarat resonemang mellan turerna och använt komprimering. Det är inte ett direkt ersättningsvärde för den officiella topplistesiffran, men visar hur minne och hantering av tillstånd kan påverka resultatet kraftigt i agenttester.

Den försiktigaste slutsatsen är därför inte att en modell är överlägsen i alla situationer. Snarare beror autonom förmåga i hög grad på hur modell, minnespolicy, verktygsgränssnitt, tillståndshantering och testmiljö fungerar tillsammans.

Varför AVO kommer från optimering av GPU-kärnor

AVO:s ursprungliga användningsområde var krävande programvaruutveckling och optimering av GPU-kärnor. Där måste en agent granska en implementation, formulera en förändring, köra hårdvarubaserade tester, tolka prestandaåterkoppling och avgöra vad som ska prövas härnäst. Framgång kräver upprepade experiment, inte en enda perfekt kodgenerering.

NVIDIA uppger att AVO i arbetet med GPU-kärnor utforskade mer än 500 riktningar, sparade 40 kärnversioner och nådde upp till 10,5 procent bättre prestanda än FlashAttention-4 på DGX B200-system.

Den överförbara förmågan är inte nödvändigtvis kunskap om GPU-kärnor. Det är den experimentella processen: skapa ett förslag, köra det, mäta resultatet, spara det man lärt sig och byta riktning när bevisen inte stöder hypotesen. ARC-AGI-3 har ett helt annat gränssnitt, men belönar också agenter som kan upptäcka struktur genom upprepad interaktion.

AVO fokuserade också på effektivitet

AVO uppges ha klarat hela den offentliga uppsättningen med 6 624 handlingar i miljön, jämfört med 7 542 för VISTA – en minskning på omkring 12 procent samtidigt som alla 183 nivåer löstes.

Det spelar roll eftersom ARC-AGI-3:s RHAE-mått tar hänsyn till handlingseffektivitet i förhållande till människor, inte bara till om agenten till slut når ett godkänt tillstånd. Ett långsiktigt agentsystem måste därför utforska med viss återhållsamhet: för mycket trial and error kan göra en i grunden kapabel agent ineffektiv, dyr eller opraktisk.

Vad resultatet betyder för företags-AI

För företag är den mest användbara lärdomen arkitektonisk. Ett tillförlitligt autonomt system lär knappast bestå av en språkmodell som kopplats till några få verktyg. Runt modellen behövs ett styrt kör- och kontrollager.

Det kan bland annat innehålla:

• beständigt uppgiftsminne och tydlig hantering av tillstånd;
• avgränsade och testbara verktygsgränssnitt;
• valideringssteg innan viktiga åtgärder godkänns;
• synliga mellanresultat och revisionsloggar;
• vägar för återställning, ångring och eskalering; samt
• tydliga behörigheter för åtgärder som påverkar kunder, system eller data.

AVO stärker också argumentet för modulära agentstackar. Om en stor del av prestandavinsten kommer från ramverket kan organisationer vinna på att hålla minne, verktygsanslutningar, testsviter, policykontroller och övervakning separerade från grundmodellen. Då blir det enklare att jämföra modeller, byta leverantör eller anpassa systemet till ett visst arbetsflöde utan att bygga om hela lösningen.

Benchmarkresultatet ska samtidigt inte ses som ett bevis på tillförlitlighet i företagsmiljö. NVIDIAs 100-procentssiffra gäller ett rapporterat resultat på ARC-AGI-3:s offentliga uppsättning. Den visar inte att systemet presterar lika bra på privata testuppgifter, produktionsdata eller verksamhetskritiska processer. Oberoende reproduktion, tester på dolda uppsättningar, analyser av kostnad och svarstid samt säkerhets- och riskutvärderingar behövs fortfarande.

Den större lärdomen

AVO flyttar fokus från frågan ”Vilken modell är smartast?” till en mer praktisk fråga: Vilket system kan bevara sammanhang, använda verktyg, lära av återkoppling och återhämta sig pålitligt under ett långt arbetsflöde?

Modellen är fortfarande viktig. Men ARC-AGI-3 visar tydligt att det omgivande agentramverket kan avgöra om modellens förmåga håller när den möter en okänd miljö. För organisationer som bygger autonoma AI-system kan konkurrensfördelen därför i allt högre grad ligga i kvaliteten på körsystemet – inte i själva modell-anropet.