Les chercheurs de Nvidia ont construit un système d'agent qui a poussé Claude Opus 5 d'Anthropic à un score parfait de 100 % sur ARC-AGI-3, l'un des tests de raisonnement interactif les plus exigeants en IA – en utilisant exactement le même modèle qui obtient un score de 30 % lorsqu'il fonctionne seul. Le résultat, publié vendredi sur le blog technique de Nvidia, est la preuve la plus solide à ce jour que le logiciel enroulé autour d'un modèle frontière compte autant que le modèle lui-même. Pour quiconque suit les derniers développements de l’IA, cela marque un changement dans la réalité de l’avantage concurrentiel de l’IA agentique.
Le système s'appelle AVO, abréviation de Agentic Variation Operators, et constitue la version de Nvidia d'une architecture à usage général pour les agents autonomes à long horizon – une IA qui peut rester sur une tâche pendant des heures ou des jours au lieu de répondre à une seule invite. Sur le plateau public ARC-AGI-3, AVO a enregistré un score RHAE de 100,00 dans les 25 environnements de jeu, complétant les 183 niveaux dans 6 624 actions d'environnement en utilisant Claude Opus 5 comme modèle backend.
Ce que ARC-AGI-3 teste réellement
ARC-AGI-3 est un benchmark de raisonnement interactif créé par la fondation ARC Prize. Un agent est déposé dans des environnements de jeu inconnus, sans instructions, sans règles énoncées et sans objectif déclaré. Il doit explorer par essais et erreurs, déduire comment fonctionne l'environnement, comprendre ce que signifie « gagner », puis agir suffisamment efficacement pour progresser à travers des niveaux de plus en plus difficiles.
La mesure de notation de l'indice de référence, Relative Human Action Efficiency (RHAE), combine l'achèvement des tâches avec le nombre d'actions gaspillées par l'agent par rapport aux nouveaux joueurs humains. Cela en fait un test brutal d’autonomie durable : l’agent doit se souvenir de ce qu’il a appris, se remettre de ses erreurs et budgétiser soigneusement ses actions sur l’ensemble d’une exécution.
Le numéro de titre de Nvidia tire son contexte d’une comparaison. VISTA, un précédent harnais à interaction directe qui utilisait également Claude Opus 5, a complété les mêmes 183 niveaux publics dans 7 542 actions environnementales. AVO a nécessité environ 12 % d'actions en moins pour terminer le travail, selon le blog de Nvidia.
Des noyaux GPU aux jeux inconnus
AVO n’a pas été conçu pour les énigmes. Nvidia a d'abord démontré l'architecture sur l'optimisation du noyau GPU, un domaine dans lequel de petites modifications de code peuvent perturber l'exactitude, le comportement de la mémoire et le débit de manière imprévisible. Dans le cadre d'une étude du noyau d'attention, AVO a fonctionné en continu pendant sept jours, exploré plus de 500 directions d'optimisation et validé 40 versions du noyau. Sur les systèmes NVIDIA DGX B200, les noyaux d'attention multi-têtes résultants ont surpassé cuDNN jusqu'à 3,5 % et FlashAttention-4 jusqu'à 10,5 %. L'agent a ensuite adapté son noyau évolué à l'attention des requêtes groupées en environ 30 minutes de travail autonome supplémentaire.
La même boucle centrale – inspecter, planifier, implémenter, tester, évaluer – a ensuite été pointée vers ARC-AGI-3 avec seule l'interface des tâches modifiée. Deux mécanismes reportés. La première est la mémoire persistante, qui stocke les implémentations antérieures, les résultats d'évaluation, les sorties du compilateur et du profileur et le raisonnement accumulé, afin que l'agent puisse reprendre son état actuel plutôt que de reconstruire le contexte à partir de zéro. Le second est un superviseur, un second agent qui surveille la trajectoire globale et intervient lorsque la progression s'arrête.
Le superviseur est la percée
TechCrunch, qui a interviewé Adel El Hallak de Nvidia, vice-président des produits dans l'unité IA de l'entreprise, a souligné que le superviseur était l'ingrédient le plus important. "Cela agit presque comme un PDG qui donne un coup de coude à l'agent lorsqu'il s'écarte de la direction ou commence à explorer un chemin qui pourrait conduire à une impasse, ou à réexplorer un chemin qu'il avait déjà emprunté", a déclaré El Hallak à la publication.
L’écart de performance est flagrant. Les tests de Nvidia ont révélé que Claude Opus 5, sans harnais sophistiqué, obtenait un score de 30 % sur ARC-AGI-3 – le meilleur résultat parmi les modèles nus testés, mais loin d'être complet. Les modèles d'OpenAI ont obtenu un score inférieur à 10 % par rapport à l'indice de référence, et la société a publié le mois dernier ses propres recherches montrant que la modification de seulement deux paramètres de harnais triple ses scores. Aucune configuration de modèle uniquement ne s'est approchée des 100 % atteints par AVO.
Notamment, la configuration AVO fonctionnait dans une modalité texte uniquement : chaque observation était fournie sous la forme d'une grille de texte exacte de 64 x 64, sans images ni jetons d'image envoyés au modèle. La puissance du raisonnement provenait de la boucle autour du modèle et non de la perception multimodale.
Pourquoi l'industrie mise sur les harnais
Cette découverte intervient au milieu d’une vague de preuves selon lesquelles l’infrastructure des agents, et non la capacité brute du modèle, constitue le goulot d’étranglement actuel de l’IA autonome. Databricks a publié une étude comparative en juillet montrant que le harnais a un impact considérable sur les performances et les coûts. "Vous pouvez choisir le même modèle mais des harnais différents, et vous obtenez des coûts beaucoup plus élevés si vous utilisez le mauvais harnais", a déclaré Ali Ghodsi, PDG de Databricks, à TechCrunch. "Cela en soi peut doubler votre coût."
El Hallak a formulé l'argument plus large de Nvidia en termes d'ouverture. "Nous pensons qu'avoir une pile d'agents ouverte - où vous avez le contrôle sur l'ensemble du harnais, de l'infrastructure et de l'exécution - est ce dont nous avons besoin pour faire avancer l'écosystème en toute sécurité", a-t-il déclaré. Nvidia propose des éléments de technologie de harnais de taille ouverte sous sa marque NeMo, et la recherche AVO est documentée dans un article sur arXiv.
Une référence avec une histoire
ARC-AGI-3 est devenu un point chaud dans la rivalité entre les laboratoires frontières. OpenAI a précédemment revendiqué de bons résultats pour son modèle GPT-5.6 Sol sur le benchmark, attirant un examen minutieux sur les paramètres d'évaluation utilisés. Le résultat de Nvidia évite ce débat dans un sens : il ne revendique pas un modèle plus intelligent, mais seulement un agent mieux conçu autour d'un modèle existant.
Le message destiné aux développeurs et aux entreprises qui créent des produits agentiques est direct : la sélection du modèle est toujours importante, mais la conception du système décide désormais si un modèle frontière fournit des résultats exceptionnels. Comme le dit Nvidia, évaluer un modèle n’est pas la même chose qu’évaluer un agent – et les tableaux de référence de 2026 récompensent de plus en plus les ingénieurs qui construisent l’échafaudage.
Gardez une longueur d'avance sur l'IA
Les architectures d'agents évoluent plus rapidement que jamais, et l'écart entre un bon et un mauvais harnais se mesure désormais en points de référence et en dollars réels. Suivez AI Buzz Wire pour une couverture quotidienne et vérifiée par la source de la recherche, des benchmarks et des lancements de produits sur l'IA.
Lire plus d'actualités sur la recherche en IA →
