NVIDIA AVO 如何讓 Claude Opus 5 在 ARC-AGI-3 公開集拿下滿分？

換句話說，AVO 不再把任務處理成一次性的問答，而是建立一個持續循環：

1. 先對任務提出假設。
2. 透過可用工具採取行動。
3. 觀察環境回應。
4. 儲存有用的發現與目前狀態。
5. 檢查結果是否有效。
6. 修正策略並繼續嘗試。

這種循環特別適合 ARC-AGI-3。測試中的智能體必須進入陌生的互動環境，透過實際操作推測規則與目標，而不是直接回答一個已經完整描述的問題。

AVO 加上了哪些關鍵能力？

AVO 的架構結合了數項單獨看似平凡、但在長流程中相當關鍵的能力。

持久記憶

持久記憶讓智能體可以保留已發現的規則、失敗的嘗試與重要狀態，而不是把每一次操作都當成全新的對話。對需要不斷探索的基準測試而言，這有助於減少重複犯錯，也能逐步建立對陌生環境的工作模型。

工具執行與外部回饋

AVO 原本就是一套程式碼智能體系統，能夠檢查工作內容、修改程式、執行指令並驗證結果。因此，它的推理會連結到可觀察的實際結果：一個看似合理的方案必須經過測試與測量，才能決定是否保留，而不是只因文字描述有說服力就被視為正確。

監督與復原

監督層則負責協調較長時間的工作流程。系統不必讓單一模型呼叫無限期地掌控所有決策，而是可以追蹤進度、辨識沒有產出的方向，並在原先假設失效時協助恢復。NVIDIA 及相關說明將 AVO 描述為結合記憶、執行工具、外部回饋與監督機制的長流程自主架構。

這些元件合在一起，讓模型能以更有組織的方式探索、行動、觀察與修正。模型依然提供大部分推理能力，但真正決定這些能力能否持續發揮的，是外圍的執行框架。

與 Claude Opus 5 單獨運作及 GPT-5.6 Sol 的比較

這幾組數字很有參考價值，但不能忽略它們採用的測試設定並不完全相同。

AVO 與 Claude Opus 5 單獨運作的數字，並不是完全相同類型的測量：前者是完整智能體系統在公開集上的結果，後者則是模型在基準測試框架下的分數。這個差異正是整起事件的關鍵。

GPT-5.6 Sol 也從另一個角度說明了同一件事。ARC Prize 公布的結果顯示，Sol 在最高推理強度下為 7.78%；OpenAI 則另外表示，在公開任務中保留跨回合推理狀態並採用壓縮機制後，成績可達 38.3%。 後者不是官方排行榜分數的直接替代，但顯示記憶與狀態管理方式，確實可能大幅影響智能體基準測試的表現。

因此，較穩妥的結論不是某個模型在所有情境都更強，而是自主 AI 的成績很大程度取決於模型、記憶策略、工具介面、狀態管理方式與評測框架能否協同運作。

為什麼 AVO 源自 GPU 核心最佳化？

AVO 最初面對的是高難度軟體工程與 GPU 核心最佳化。在這類工作中，智能體必須檢查實作、提出修改方案、執行以硬體為基礎的測試、解讀效能回饋，再決定下一步要嘗試什麼。成功關鍵不是一次生成正確答案，而是持續實驗。

NVIDIA 表示，在 GPU 核心最佳化工作中，AVO 探索了超過 500 個方向、提交了 40 個核心版本，並在 DGX B200 系統上達到最高比 FlashAttention-4 快 10.5% 的效能。

真正能移植到 ARC-AGI-3 的能力，未必是 GPU 核心相關知識，而是這套實驗流程：提出候選方案、執行、測量結果、保存學到的內容，並在證據不支持原先假設時改變方向。ARC-AGI-3 的介面雖然不同，卻同樣獎勵能透過反覆互動發現結構的智能體。

AVO 不只追求解出，也重視操作效率

據報告，AVO 以 6,624 次環境操作完成公開集；相比之下，VISTA 的報告數字為 7,542 次。在完成相同 183 個關卡的前提下，AVO 的操作次數約減少 12%。

這點很重要，因為 ARC-AGI-3 的 RHAE（Relative Human Action Efficiency，相對人類行動效率）不只看智能體最後是否成功，也會將操作效率與人類表現相比。 長流程智能體若進行過多無效試錯，即使具備解題能力，也可能變得低效、昂貴或難以實際部署。

對企業 AI 的啟示：不要只打造「接上工具的 LLM」

對企業應用而言，這次結果最有價值的啟示在於系統架構。一套可靠的自主 AI，恐怕不會只是「大型語言模型加上幾個工具」，而需要一個受到治理的執行層。

這個執行層可以包括：

• 持久任務記憶與明確的狀態管理；
• 範圍受限、可測試的工具介面；
• 在重要操作被採納前設置驗證關卡；
• 可觀察的中間步驟與稽核紀錄；
• 復原、回滾與升級處理路徑；
• 對影響客戶、系統或資料的操作設定清楚權限。

AVO 也強化了模組化智能體技術棧的價值。如果大部分效能提升來自執行框架，企業就可以把記憶層、工具介接器、評測套件、政策控制與可觀測性功能，和底層基礎模型分開。如此一來，企業更容易比較不同模型、替換供應商，或針對特定工作流程調整系統，而不必重建整個架構。

不過，這項基準測試結果不能直接視為企業可靠性的證明。NVIDIA 的 100% 是其在 ARC-AGI-3 公開集上的報告結果，並不代表系統在私有測試題、實際生產資料或高風險商業流程中也能達到同等表現。 仍需要獨立複現、隱藏集測試、成本與延遲分析、安全審查及安全性評估。

更大的重點：競爭焦點正在從模型轉向系統

AVO 的結果，讓問題從「哪個模型最聰明？」轉向更務實的提問：哪一套系統能在長時間工作流程中保留脈絡、使用工具、從回饋學習，並可靠地修正與復原？

模型當然仍然重要，但 ARC-AGI-3 生動展示了周邊框架可能決定模型能力能否真正應付陌生環境。對正在打造自主 AI 的企業而言，未來的競爭優勢可能越來越取決於執行系統的品質，而不只是單次模型呼叫的能力。