Nvidia-Forscher haben ein Agentensystem entwickelt, das Anthropics Claude Opus 5 bei ARC-AGI-3, einem der anspruchsvollsten Benchmarks für interaktives Denken in der KI, auf eine perfekte Punktzahl von 100 % gebracht hat – und zwar unter Verwendung desselben Modells, das im Einzelbetrieb 30 % erreicht. Das am Freitag im Nvidia Technical Blog veröffentlichte Ergebnis ist der bisher stärkste Beweis dafür, dass die Software, die ein Grenzmodell umgibt, genauso wichtig ist wie das Modell selbst. Für jeden, der die neuesten KI-Entwicklungen verfolgt (https://aibuzzwire.news), bedeutet dies eine Verschiebung dahingehend, wo der Wettbewerbsvorteil in der Agenten-KI tatsächlich liegt.

Das System heißt AVO, kurz für Agentic Variation Operators, und ist Nvidias Version einer Allzweckarchitektur für autonome Agenten mit großer Reichweite – KI, die stunden- oder tagelang bei der Aufgabe bleiben kann, anstatt auf eine einzige Eingabeaufforderung zu antworten. Auf dem öffentlichen ARC-AGI-3-Set verzeichnete AVO einen RHAE-Score von 100,00 in allen 25 Spielumgebungen und schloss alle 183 Level in 6.624 Umgebungsaktionen mit Claude Opus 5 als Backend-Modell ab.

Was ARC-AGI-3 tatsächlich testet

ARC-AGI-3 ist ein interaktiver Denk-Benchmark, der von der ARC Prize Foundation entwickelt wurde. Ein Agent wird ohne Anweisungen, ohne festgelegte Regeln und ohne festgelegtes Ziel in unbekannte, spielähnliche Umgebungen versetzt. Es muss durch Versuch und Irrtum erforscht werden, Rückschlüsse auf die Funktionsweise der Umgebung ziehen, herausfinden, was „Gewinnen“ bedeutet, und dann effizient genug handeln, um immer schwierigere Level zu meistern.

Die Bewertungsmetrik des Benchmarks, Relative Human Action Efficiency (RHAE), kombiniert die Aufgabenerledigung mit der Anzahl der Aktionen, die der Agent im Vergleich zu erstmaligen menschlichen Spielern verschwendet. Das macht es zu einem brutalen Test für nachhaltige Autonomie: Der Agent muss sich an das Gelernte erinnern, sich von Fehlern erholen und seine Aktionen während des gesamten Laufs sorgfältig planen.

Die Schlagzeile von Nvidia gewinnt durch einen Vergleich an Kontext. VISTA, ein früheres System für direkte Interaktion, das auch Claude Opus 5 nutzte, absolvierte die gleichen 183 öffentlich zugänglichen Levels in 7.542 Umgebungsaktionen. Laut Nvidias Blogbeitrag benötigte AVO etwa 12 % weniger Aktionen, um die Aufgabe abzuschließen.

Von GPU-Kerneln zu unbekannten Spielen

AVO wurde nicht für Rätsel entwickelt. Nvidia demonstrierte erstmals die Architektur zur GPU-Kernel-Optimierung, einem Bereich, in dem kleine Codeänderungen die Korrektheit, das Speicherverhalten und den Durchsatz auf unvorhersehbare Weise beeinträchtigen können. In einer Aufmerksamkeits-Kernel-Studie lief AVO sieben Tage lang ununterbrochen, untersuchte mehr als 500 Optimierungsrichtungen und stellte 40 Kernel-Versionen fest. Auf NVIDIA DGX B200-Systemen übertrafen die resultierenden Multihead-Aufmerksamkeitskerne cuDNN um bis zu 3,5 % und FlashAttention-4 um bis zu 10,5 %. Anschließend passte der Agent seinen weiterentwickelten Kernel in etwa 30 Minuten zusätzlicher autonomer Arbeit an die Aufmerksamkeit von Gruppenabfragen an.

Die gleiche Kernschleife – prüfen, planen, implementieren, testen, bewerten – wurde dann auf ARC-AGI-3 verwiesen, wobei nur die Aufgabenschnittstelle geändert wurde. Zwei Mechanismen übernommen. Der erste ist der persistente Speicher, der frühere Implementierungen, Evaluierungsergebnisse, Compiler- und Profiler-Ausgaben sowie gesammelte Überlegungen speichert, sodass der Agent von seinem aktuellen Zustand aus fortfahren kann, anstatt den Kontext von Grund auf neu aufzubauen. Der zweite ist ein Supervisor, ein zweiter Agent, der den gesamten Verlauf überwacht und eingreift, wenn der Fortschritt ins Stocken gerät.

Der Vorgesetzte ist der Durchbruch

TechCrunch, das Adel El Hallak von Nvidia, Vizepräsident für Produkte in der KI-Abteilung des Unternehmens, interviewte, hob den Vorgesetzten als die wichtigste Zutat hervor. „Es verhält sich fast wie ein CEO, der den Agenten anstupst, wenn er vom Kurs abweicht oder beginnt, einen Weg zu erkunden, der in eine Sackgasse führen könnte, oder einen Weg erneut zu erkunden, den er zuvor eingeschlagen hat“, sagte El Hallak der Veröffentlichung.

Der Leistungsunterschied ist groß. Die Tests von Nvidia ergaben, dass das Claude Opus 5 ohne hochentwickelte Verkabelung bei ARC-AGI-3 eine Punktzahl von 30 % erreichte – das beste Ergebnis unter den getesteten nackten Modellen, aber bei weitem nicht die volle Leistung. Die Modelle von OpenAI haben im Benchmark weniger als 10 % erreicht, und das Unternehmen hat letzten Monat eine eigene Studie veröffentlicht, die zeigt, dass die Optimierung von nur zwei Kabelbaumeinstellungen seine Ergebnisse verdreifacht hat. Keine reine Modellkonfiguration hat auch nur annähernd die 100 % erreicht, die AVO erreicht hat.

Bemerkenswert ist, dass die AVO-Konfiguration in einer Nur-Text-Modalität ausgeführt wurde: Jede Beobachtung wurde als exaktes 64x64-Textraster bereitgestellt, ohne dass Bilder oder Bild-Tokens an das Modell gesendet wurden. Die Argumentationskraft kam aus der Schleife rund um das Modell, nicht aus der multimodalen Wahrnehmung.

Warum die Branche auf Geschirre setzt

Das Ergebnis landet inmitten einer Welle von Beweisen dafür, dass die Agenteninfrastruktur und nicht die reine Modellfähigkeit der aktuelle Engpass für autonome KI ist. Databricks veröffentlichte im Juli eine Benchmarking-Studie, die zeigte, dass sich der Kabelbaum sowohl auf die Leistung als auch auf die Kosten erheblich auswirkt. „Sie können das gleiche Modell, aber unterschiedliche Kabelbäume wählen, und es entstehen deutlich höhere Kosten, wenn Sie den falschen Kabelbaum verwenden“, sagte Ali Ghodsi, CEO von Databricks, gegenüber TechCrunch. „Das allein kann Ihre Kosten verdoppeln.“

El Hallak formulierte Nvidias umfassenderes Argument im Hinblick auf Offenheit. „Wir glauben, dass ein offener Agent-Stack – bei dem Sie die Kontrolle über den gesamten Kabelbaum, die gesamte Infrastruktur und die gesamte Laufzeit haben – erforderlich ist, damit wir das Ökosystem vorantreiben und sicher vorantreiben können“, sagte er. Nvidia verfügt unter seiner Marke NeMo über offene Teile der Harness-Technologie, und die AVO-Forschung ist in einem Artikel auf arXiv dokumentiert.

Ein Benchmark mit Geschichte

ARC-AGI-3 ist zu einem Brennpunkt in der Rivalität zwischen Grenzlaboren geworden. OpenAI erzielte bereits zuvor starke Ergebnisse für sein GPT-5.6-Sol-Modell im Benchmark und zog eine genaue Prüfung der verwendeten Bewertungseinstellungen nach sich. Das Ergebnis von Nvidia geht in gewisser Hinsicht an dieser Debatte vorbei – es behauptet nicht, dass es sich um ein intelligenteres Modell handelt, sondern lediglich um einen besser entwickelten Agenten, der ein bestehendes Modell umsetzt.

Die Botschaft an Entwickler und Unternehmen, die Agentenprodukte entwickeln, ist direkt: Die Modellauswahl ist immer noch wichtig, aber das Systemdesign entscheidet jetzt darüber, ob ein Grenzmodell Grenzergebnisse liefert. Wie Nvidia es ausdrückt, ist die Bewertung eines Modells nicht dasselbe wie die Bewertung eines Agenten – und die Benchmark-Tabellen von 2026 belohnen zunehmend die Ingenieure, die das Gerüst bauen.

Bleiben Sie der KI immer einen Schritt voraus

Agentenarchitekturen entwickeln sich schneller als je zuvor und der Abstand zwischen einem guten und einem schlechten Geschirr wird jetzt in Benchmark-Punkten und echten Dollars gemessen. Folgen Sie AI Buzz Wire für tägliche, quellengeprüfte Berichterstattung über KI-Forschung, Benchmarks und Produkteinführungen.

Lesen Sie weitere Neuigkeiten aus der KI-Forschung →