NVIDIA AVO點樣令 Claude Opus 5 由約30%升到100%？

NVIDIA表示，旗下 Agentic Variation Operators（AVO）系統配合 Claude Opus 5，喺互動推理基準 ARC-AGI-3 嘅公開集取得 100.00 RHAE 滿分，完成全部 183個關卡、25個環境，總共進行 6,624次操作。

不過，呢個結果唔應該簡化成「Claude Opus 5突然由30%變成100%」。更準確嘅講法係：NVIDIA將同一個底層模型放入一套為長流程自主工作而設嘅智能體系統，令模型可以持續探索、記住發現、執行工具、檢查結果，再按環境回饋改變策略。

真正升級嘅，係模型周邊嘅「智能體框架」

喺已公布嘅 ARC-AGI-3 排名快照入面，單獨運行嘅 Claude Opus 5 得分係 30.2%；GPT-5.6 Sol 喺標準測試框架下則係 7.8%。

AVO採用嘅唔係一次問答、一次作答嘅模式，而係一個可以長時間運作嘅循環：

1. 先對任務作出假設；
2. 透過工具採取行動；
3. 觀察環境點樣回應；
4. 將有用發現同狀態保存落嚟；
5. 檢查結果係咪真係有效；
6. 如果方向唔啱，就修正策略再繼續。

ARC-AGI-3嘅難度，正正喺於智能體要進入陌生嘅互動環境，唔可以只靠一段寫得清清楚楚嘅指令，而係要靠實際行動去推斷規則、目標同環境結構。

AVO有咩核心功能？

持久記憶：唔使每一步重新開始

持久記憶令智能體可以保存已經發現嘅規律、失敗過嘅方法同任務狀態，而唔係將每一次行動當成互不相干嘅對話。

對需要不斷探索嘅 ARC-AGI-3 來講，呢種記憶有助減少重複犯錯，亦令系統可以逐步建立對陌生環境嘅工作模型。

工具執行同外部回饋：結果唔啱就要面對證據

AVO最初係一套編碼智能體系統，可以檢查及修改程式碼、執行指令、查閱文件，再透過實際執行驗證結果。

呢個設計令推理唔會停留喺「聽落合理」嘅層面。智能體提出一個改動之後，可以實際測試、量度表現，然後根據結果繼續修改。套用到 ARC-AGI-3，就變成一個「行動—觀察—修正」嘅閉環。

監督同復原：行錯路唔代表成個流程要重來

監督層負責協調較長嘅任務流程，幫助系統留意進度、辨認冇效率嘅方向，亦可以喺原本假設失效時支援復原。NVIDIA及相關描述將 AVO 概括為結合持久記憶、執行工具、外部回饋同監督能力嘅長流程自主架構。

換句話講，模型負責相當一部分推理，但真正決定推理可唔可以一路落地嘅，係包住模型嗰套執行框架。

同 Claude Opus 5 及 GPT-5.6 Sol 點比較？

系統或配置	ARC-AGI-3報告結果	評估背景
AVO配合 Claude Opus 5	100.00 RHAE	公開集；完成183/183個關卡
單獨 Claude Opus 5	30.2%	已公布排名快照及標準比較設定
GPT-5.6 Sol	7.8%	標準或已驗證嘅半私有比較
GPT-5.6 Sol，保留推理及壓縮狀態	38.3%	OpenAI喺公開任務上報告嘅自訂測試

但以上數字唔係完全同一種測量。AVO嘅100.00係一套完整智能體系統喺公開集嘅結果；Claude Opus 5嘅30.2%就係模型喺基準測試框架下嘅分數。兩者之間嘅差異，正正係今次事件最值得留意嘅地方。

GPT-5.6 Sol亦反映出同一個問題。ARC Prize公布嘅結果顯示，Sol喺最高推理力度下係 7.78%；但OpenAI另一次測試透過保留多輪推理狀態及使用壓縮機制，喺公開任務取得 38.3%。 呢個自訂結果唔可以直接取代官方排名，但就顯示記憶同狀態管理足以大幅影響智能體基準測試表現。

所以，較穩妥嘅結論唔係話某一個模型全面勝過其他模型，而係自主表現會受到多項因素共同影響，包括模型、記憶策略、工具介面、狀態管理方式，以及評估框架。

點解 AVO原本係由 GPU核心優化而來？

AVO最初面對嘅係軟件工程同 GPU kernel 優化。智能體要先檢查現有實作，提出假設，再修改程式、執行以硬件為基礎嘅測試、解讀效能回饋，最後決定下一步試乜。成功唔係靠一次生成，而係靠持續試驗。

NVIDIA表示，AVO喺 GPU kernel 工作入面探索超過 500個方向、提交 40個 kernel 版本，喺 DGX B200 系統上取得最高 比 FlashAttention-4 快10.5% 嘅表現。

可以轉移到 ARC-AGI-3嘅未必係 GPU kernel 專門知識，而係背後嗰套實驗流程：提出候選方案、實際執行、量度結果、保存學到嘅嘢，然後喺證據同假設唔一致時改變方向。

ARC-AGI-3嘅介面雖然完全唔同，但同樣獎勵能夠透過多次互動發現結構、有效試錯同持續修正嘅系統。

100分之外，操作效率都係重點

AVO據報用 6,624次環境操作完成整個公開集；相比之下，VISTA報告使用 7,542次，即係喺完成同樣183個關卡嘅前提下，操作量減少約 12%。

呢點之所以重要，係因為 ARC-AGI-3嘅 RHAE（Relative Human Action Efficiency，相對人類操作效率）唔只睇智能體最終有冇成功，亦會將操作效率同人類表現比較。

對長流程智能體而言，盲目試錯可能令系統變得昂貴、緩慢，甚至實際上難以部署。能夠記住之前嘅結果，避開重複路線，同時知道幾時應該轉策略，可能同「識唔識答」一樣重要。

對企業AI有咩啟示？

對企業而言，AVO最有價值嘅啟示係架構層面：可靠嘅自主系統，未必只係一個接上幾件工具嘅大型語言模型，而係需要一個受治理嘅執行層包住模型。

呢一層可以包括：

• 持久任務記憶同清晰嘅狀態管理；
• 範圍收窄、容易測試嘅工具介面；
• 重要操作正式接受前嘅驗證關卡；
• 可觀察嘅中間步驟同審計紀錄；
• 復原、回滾同升級處理路徑；以及
• 涉及客戶、企業系統或敏感資料時嘅明確權限控制。

呢個結果亦支持模組化、開放式智能體堆疊。假如相當一部分效能提升來自 harness，即包住模型嘅執行框架，企業就可以將記憶層、工具轉接器、評估套件、政策控制同可觀測性功能，分開於底層模型之外。咁樣日後比較模型、轉換供應商，或者針對特定工作流程調校系統時，就唔使由零開始重建成套架構。

但要留意，NVIDIA嘅100%係一個喺 ARC-AGI-3 公開集上報告嘅結果，唔代表系統喺私有測試、真實生產數據或高風險商業流程，都必然有同等可靠性。 要落實到企業部署，仍然需要獨立重現、隱藏測試集驗證、成本及延遲分析、安全審查同可靠性評估。

重點唔再只係「邊個模型最聰明」

AVO將焦點由「邊個模型最勁？」推向一條更實際嘅問題：邊套系統可以保存上下文、運用工具、從回饋學習，並且喺長流程入面穩定復原？

底層模型當然仍然重要，但 ARC-AGI-3呢次示範出，模型一接觸陌生環境，周邊 harness 就可能決定佢嘅能力可以發揮幾多。

對正部署自主AI嘅企業來講，真正嘅競爭優勢，可能越來越唔係單次模型呼叫，而係記憶、執行、驗證、監督同復原呢套系統究竟做得幾紮實。