L'agente AVO di Nvidia raggiunge il 100% su ARC-AGI-3 con Claude Opus 5: la prova che l'imbracatura ora batte il modello

I ricercatori di Nvidia hanno costruito un sistema di agenti che ha spinto Claude Opus 5 di Anthropic a un punteggio perfetto del 100% su ARC-AGI-3, uno dei benchmark di ragionamento interattivo più impegnativi nell'intelligenza artificiale, utilizzando lo stesso modello che ottiene un punteggio del 30% quando funziona da solo. Il risultato, pubblicato venerdì sul blog tecnico di Nvidia, è la prova più evidente che il software avvolto attorno a un modello di frontiera conta tanto quanto il modello stesso. Per chiunque tenga traccia degli ultimi sviluppi dell’intelligenza artificiale, ciò segna un cambiamento nel modo in cui risiede effettivamente il vantaggio competitivo nell’intelligenza artificiale degli agenti.

Il sistema si chiama AVO, abbreviazione di Agentic Variation Operators, ed è la versione di Nvidia di un'architettura generica per agenti autonomi a lungo orizzonte: un'intelligenza artificiale che può rimanere in attività per ore o giorni invece di rispondere a un singolo prompt. Sul set pubblico ARC-AGI-3, AVO ha registrato un punteggio RHAE di 100,00 in tutti i 25 ambienti di gioco, completando tutti i 183 livelli in 6.624 azioni ambientali utilizzando Claude Opus 5 come modello backend.

Cosa testa effettivamente ARC-AGI-3

ARC-AGI-3 è un benchmark di ragionamento interattivo creato dalla fondazione ARC Prize. Un agente viene catapultato in ambienti sconosciuti, simili a giochi, senza istruzioni, senza regole stabilite e senza obiettivi dichiarati. Deve esplorare attraverso tentativi ed errori, dedurre come funziona l'ambiente, capire cosa significa "vincere" e quindi agire in modo sufficientemente efficiente per progredire attraverso livelli progressivamente più difficili.

La metrica del punteggio del benchmark, Relative Human Action Efficiency (RHAE), combina il completamento dell'attività con il numero di azioni sprecate dall'agente rispetto ai giocatori umani alle prime armi. Ciò lo rende un test brutale di autonomia prolungata: l’agente deve ricordare ciò che ha imparato, riprendersi dagli errori e pianificare attentamente le sue azioni durante l’intera corsa.

Il numero del titolo di Nvidia trae contesto da un confronto. VISTA, un precedente sistema di interazione diretta che utilizzava anche Claude Opus 5, ha completato gli stessi 183 livelli di set pubblico in 7.542 azioni ambientali. Secondo il post sul blog di Nvidia, AVO ha avuto bisogno di circa il 12% di azioni in meno per completare il lavoro.

Dai kernel GPU ai giochi sconosciuti

AVO non è stato creato per i puzzle. Nvidia ha dimostrato per la prima volta l'architettura sull'ottimizzazione del kernel GPU, un dominio in cui piccole modifiche al codice possono compromettere la correttezza, il comportamento della memoria e il throughput in modi imprevedibili. In uno studio sul kernel dell'attenzione, AVO ha funzionato ininterrottamente per sette giorni, ha esplorato più di 500 direzioni di ottimizzazione e ha eseguito il commit di 40 versioni del kernel. Sui sistemi NVIDIA DGX B200, i kernel di attenzione multihead risultanti hanno superato cuDNN fino al 3,5% e FlashAttention-4 fino al 10,5%. L'agente ha quindi adattato il suo kernel evoluto all'attenzione delle query di gruppo in circa 30 minuti di lavoro autonomo aggiuntivo.

Lo stesso ciclo principale - ispezionare, pianificare, implementare, testare, valutare - è stato quindi indirizzato a ARC-AGI-3 con la sola modifica dell'interfaccia dell'attività. Due meccanismi riportati. La prima è la memoria persistente, che memorizza le implementazioni precedenti, i risultati della valutazione, gli output del compilatore e del profiler e il ragionamento accumulato, in modo che l'agente possa riprendere dal suo stato corrente anziché ricostruire il contesto da zero. Il secondo è un supervisore, un secondo agente che osserva la traiettoria complessiva e interviene quando i progressi si fermano.

Il supervisore è la svolta

TechCrunch, che ha intervistato Adel El Hallak di Nvidia, vicepresidente del prodotto nell'unità AI dell'azienda, ha evidenziato il supervisore come l'ingrediente più importante. "Si comporta quasi come un CEO dando una spinta all'agente quando va fuori direzione o inizia a esplorare un percorso che potrebbe portare a un vicolo cieco, o riesplorare un percorso che aveva precedentemente percorso", ha detto El Hallak alla pubblicazione.

Il divario prestazionale è netto. I test di Nvidia hanno rilevato che Claude Opus 5 senza un cablaggio sofisticato ha ottenuto un punteggio del 30% su ARC-AGI-3: il miglior risultato tra i modelli nudi testati, ma neanche lontanamente vicino a una corsa completa. I modelli di OpenAI hanno ottenuto un punteggio inferiore al 10% sul benchmark e la società ha pubblicato una propria ricerca il mese scorso dimostrando che la modifica di solo due impostazioni di cablaggio ha triplicato i suoi punteggi. Nessuna configurazione basata solo sul modello si è avvicinata al 100% raggiunto da AVO.

In particolare, la configurazione AVO funzionava in modalità solo testo: ogni osservazione veniva fornita come una griglia di testo esatta 64x64, senza immagini o token immagine inviati al modello. La forza di ragionamento derivava dal circolo vizioso del modello, non dalla percezione multimodale.

Perché l'industria scommette sulle imbracature

La scoperta arriva in mezzo a un’ondata di prove che l’infrastruttura degli agenti, e non la capacità del modello grezzo, è l’attuale collo di bottiglia per l’intelligenza artificiale autonoma. Databricks ha pubblicato una ricerca di benchmarking a luglio che mostra come il cablaggio abbia un impatto drammatico sia sulle prestazioni che sui costi. "Puoi scegliere lo stesso modello ma imbracature diverse e otterrai costi notevolmente maggiori se usi l'imbracatura sbagliata", ha dichiarato a TechCrunch il CEO di Databricks Ali Ghodsi. "Questo di per sé può raddoppiare il costo."

El Hallak ha inquadrato l'argomentazione più ampia di Nvidia in termini di apertura. "Crediamo che avere uno stack di agenti aperti - in cui si abbia il controllo su tutto il cablaggio, su tutta l'infrastruttura, su tutto il runtime - sia ciò che ci serve per far avanzare l'ecosistema in modo sicuro", ha affermato. Nvidia dispone di tecnologie di cablaggio di dimensioni aperte sotto il marchio NeMo e la ricerca AVO è documentata in un documento su arXiv.

Un punto di riferimento con una storia

ARC-AGI-3 è diventato un punto critico nella rivalità tra laboratori di frontiera. OpenAI aveva precedentemente ottenuto ottimi risultati per il suo modello GPT-5.6 Sol sul benchmark, esaminando attentamente le impostazioni di valutazione utilizzate. Il risultato di Nvidia elude questo dibattito in un certo senso: non rivendica un modello più intelligente, ma solo un agente meglio progettato attorno a uno esistente.

Il messaggio per gli sviluppatori e le imprese che realizzano prodotti basati su agenti è diretto: la selezione del modello è ancora importante, ma la progettazione del sistema ora decide se un modello di frontiera fornisce risultati di frontiera. Come dice Nvidia, valutare un modello non è la stessa cosa che valutare un agente e le tabelle di benchmark del 2026 premiano sempre più gli ingegneri che costruiscono l’impalcatura.

Stai al passo con l'intelligenza artificiale

Le architetture degli agenti si stanno muovendo più velocemente che mai e il divario tra un buon cablaggio e uno scadente è ora misurato in punti di riferimento e dollari reali. Segui AI Buzz Wire per una copertura quotidiana e verificata della fonte della ricerca sull'intelligenza artificiale, dei benchmark e del lancio di prodotti.

Leggi altre notizie sulla ricerca sull'intelligenza artificiale →