NVIDIA 的 AVO 如何让 Claude Opus 5 在 ARC-AGI-3 公开集拿下满分

NVIDIA 表示，其智能体架构 Agentic Variation Operators（AVO，智能体变异算子） 搭配 Claude Opus 5，在交互式推理基准 ARC-AGI-3 的公开集上取得了 100.00 RHAE，完成全部 183 个关卡、25 个环境，共执行 6,624 次环境操作。

这件事最值得关注的地方，并不是某个基础模型突然“学会了一切”，而是一个原本用于软件工程和 GPU 内核优化的长期任务智能体架构，被迁移到了完全不同的交互式推理场景，并取得了满分结果。

关键变化：AVO 改进的是模型周围的系统

在公开的 ARC-AGI-3 排行榜快照中，Claude Opus 5 单独运行时的成绩为 30.2%；GPT-5.6 Sol 在标准测试框架下的成绩为 7.8%。

AVO 使用了同一类底层模型，但为它配备了一套能够持续运行多步任务的执行系统。这套系统可以检查和修改工作对象，运行工具与命令，查阅文档，根据执行结果验证方案，并依据外部反馈不断调整策略。

简单来说，AVO 把“一问一答”改造成了一个持续循环：

1. 针对任务提出假设；
2. 通过可用工具采取行动；
3. 观察环境反馈；
4. 保存有价值的发现和状态；
5. 检查结果是否有效；
6. 修正策略并继续执行。

这一闭环尤其适合 ARC-AGI-3。该测试要求智能体进入陌生的交互式环境，在没有完整规则和目标说明的情况下，通过不断操作来推断任务规律和目标，而不是只对一个定义清晰的提示词给出答案。

AVO 的架构增加了什么能力？

AVO 的优势并不来自某一个单独模块，而在于多个能力被组织起来，能够支撑更长的任务周期。

持久化记忆：不让每一步都“失忆”

持久化记忆让智能体可以保留已经发现的规律、失败过的路径和有用的任务状态，而不是把每次操作都当成互不相关的对话。对于强调探索的基准测试而言，这有助于减少重复犯错，并逐步建立对陌生环境的工作模型。

这也解释了为什么“上下文是否被保留”会显著影响智能体表现：模型不只是需要推理能力，还需要知道此前试过什么、哪些假设已经被证伪，以及当前任务进行到了哪一步。

工具执行和外部反馈：让推理接受现实检验

AVO 最初是一个代码智能体系统，能够检查和修改代码、执行命令，并通过实际运行来验证结果。它提出的方案不能只停留在“听起来合理”的层面，而要接受测试、测量和反馈，然后决定是否继续或改弦更张。

这种机制迁移到 ARC-AGI-3 后，模型的判断同样会受到环境结果约束：行动成功还是失败、环境发生了什么变化，都会成为下一步推理的依据。

监督与恢复：避免长任务陷入死循环

监督层负责协调较长的执行过程。系统并非让一次模型调用无限期地控制所有决策，而是可以持续关注任务进度，识别没有产出的方向，并在关键假设失效时帮助智能体恢复。

因此，AVO 的核心并不是让模型凭空拥有更多知识，而是为它提供了一种结构化的工作方式：

探索 → 行动 → 观察 → 记忆 → 验证 → 修正

模型仍然承担了大量推理工作，但真正决定这些推理能否在陌生环境中持续发挥作用的，是外层执行框架。

与 Claude Opus 5 和 GPT-5.6 Sol 的成绩如何比较？

这些数字很有参考价值，但不能脱离测试设置直接横向比较。

系统或配置	ARC-AGI-3 报告成绩	测试背景
AVO + Claude Opus 5	100.00 RHAE	公开集；完成 183/183 个关卡
Claude Opus 5 单独运行	30.2%	已发布的排行榜快照和标准对比设置
GPT-5.6 Sol	7.8%	标准或经过验证的半私有对比设置
GPT-5.6 Sol（保留推理并进行压缩）	38.3%	OpenAI 在公开任务上的自定义运行

AVO 的 100.00 RHAE 与 Claude Opus 5 的 30.2% 并不是完全同一种测量结果：前者是完整智能体系统在公开集上的结果，后者则是模型在基准测试框架下的成绩。这一区别正是整个事件的核心。

GPT-5.6 Sol 的情况从另一个角度说明了同样的问题。ARC Prize 发布的结果显示，Sol 在最大推理强度下的成绩为 7.78%；OpenAI 则另行报告称，在公开任务中保留跨轮次推理并使用压缩机制后，成绩达到 38.3%。 后一个数字并不能直接替代官方排行榜成绩，但它表明，记忆机制和状态管理确实可能大幅改变智能体基准测试的表现。

因此，更稳妥的结论不是“某个模型在所有场景都更强”，而是：自主任务的最终表现，很大程度上取决于模型、记忆策略、工具接口、状态管理方式和评测框架能否协同工作。

为什么 AVO 的 GPU 内核优化出身很重要？

AVO 最初面对的是复杂的软件工程和 GPU 内核优化任务。在这类工作中，智能体需要检查实现，提出修改假设，运行基于真实硬件的测试，解读性能反馈，再决定下一步尝试什么。成功依赖的是反复实验，而不是一次性生成一段“正确代码”。

NVIDIA 报告称，在 GPU 内核优化工作中，AVO 探索了超过 500 个方向，提交了 40 个内核版本，并在 DGX B200 系统上实现了最高比 FlashAttention-4 快 10.5% 的性能。

这里真正可迁移的能力未必是 GPU 内核知识，而是实验流程：

• 生成候选方案；
• 执行并测量结果；
• 保存已经学到的内容；
• 在证据不支持原有假设时及时转向。

ARC-AGI-3 的任务界面与 GPU 优化完全不同，但两者都奖励能够通过反复交互发现结构、根据反馈调整行动的系统。

AVO 不只追求做对，也强调少走弯路

据报道，AVO 使用 6,624 次环境操作完成了公开集，而 VISTA 报告使用了 7,542 次；在完成同样 183 个关卡的前提下，操作次数减少约 12%。

这一点很重要，因为 ARC-AGI-3 的 RHAE（Relative Human Action Efficiency，相对人类行动效率）指标不仅考察智能体是否最终成功，也会考虑相对于人类表现的行动效率。

换句话说，一个智能体即使有能力完成任务，如果需要大量无效试错，也可能变得昂贵、缓慢，难以用于实际工作流。长期自主系统必须同时解决“能不能做”和“能不能高效地做”两个问题。

对企业 AI 的启示：真正需要的是受治理的执行系统

对企业而言，AVO 最有价值的启示来自架构，而不是一个孤立的满分数字。可靠的自主系统很可能不会只是“一个大语言模型加几个工具”，而需要围绕模型搭建一套受治理的执行层。

这套执行层可以包括：

• 持久化任务记忆和明确的状态管理；
• 权限范围清晰、结果可测试的工具接口；
• 重要行动执行前的验证门槛；
• 可观察的中间步骤和审计日志；
• 失败恢复、回滚和升级路径；
• 对涉及客户、业务系统或数据的操作设置明确权限。

AVO 也强化了模块化智能体栈的价值。如果相当一部分性能提升来自外层 harness（智能体运行框架），企业就没有必要把所有差异化能力都绑定在单一模型供应商上。记忆层、工具适配器、评测套件、策略控制和可观测性模块，都可以与基础模型相互解耦。

这样一来，企业能够更容易地比较不同模型、替换供应商，或针对某一类业务流程调优，而不必重建整套系统。

不过，NVIDIA 报告的 100% 仍然只是 ARC-AGI-3 公开集上的结果，不能据此证明 AVO 在私有测试任务、生产数据或高风险业务流程中也能达到同等可靠性。 在投入企业应用前，仍需要独立复现、隐藏集测试、成本与延迟分析、安全审查以及针对具体业务的安全评估。

更大的结论：竞争焦点正从“谁更聪明”转向“谁能持续完成工作”

AVO 的成绩把问题从“哪个模型最聪明”推进了一步：

哪个系统能够保留上下文、调用工具、从反馈中学习，并在漫长工作流中稳定恢复和继续执行？

基础模型依然重要，但 ARC-AGI-3 的结果清楚展示了一个现实：模型能力能否在陌生环境中真正落地，很大程度上取决于周围的智能体框架。

对于正在构建自主 AI 的企业来说，下一阶段的竞争优势可能不再来自单次模型调用，而来自执行系统的质量——包括记忆、工具、验证、监督、权限和恢复机制能否被设计成一个可靠的整体。