Nvidia-onderzoekers hebben een agentsysteem gebouwd dat Claude Opus 5 van Anthropic naar een perfecte score van 100% heeft geduwd op ARC-AGI-3, een van de meest veeleisende benchmarks voor interactief redeneren in AI – met behulp van hetzelfde model dat 30% scoort als het op zichzelf draait. Het resultaat, dat vrijdag op de Nvidia Technical Blog werd gepubliceerd, is het sterkste bewijs tot nu toe dat de software rond een grensmodel net zo belangrijk is als het model zelf. Voor iedereen die [de nieuwste AI-ontwikkelingen] (https://aibuzzwire.news) volgt, markeert dit een verschuiving in waar concurrentievoordeel in agentische AI ​​feitelijk leeft.

Het systeem heet AVO, een afkorting van Agentic Variation Operators, en het is Nvidia's versie van een architectuur voor algemene doeleinden voor autonome agenten met een lange horizon: AI die uren of dagen aan het werk kan blijven in plaats van een enkele prompt te beantwoorden. Op de openbare set ARC-AGI-3 registreerde AVO een RHAE-score van 100,00 in alle 25 spelomgevingen, waarbij alle 183 niveaus werden voltooid in 6.624 omgevingsacties met Claude Opus 5 als backend-model.

Wat ARC-AGI-3 feitelijk test

ARC-AGI-3 is een interactieve redeneerbenchmark gemaakt door de stichting ARC Prize. Een agent wordt in onbekende, game-achtige omgevingen gedropt zonder instructies, zonder vastgestelde regels en zonder bepaald doel. Het moet met vallen en opstaan ​​onderzoeken, afleiden hoe de omgeving werkt, uitzoeken wat 'winnen' betekent, en vervolgens efficiënt genoeg handelen om door steeds moeilijkere niveaus te komen.

De scorestatistiek van de benchmark, Relative Human Action Efficiency (RHAE), combineert het voltooien van taken met hoe weinig acties de agent verspilt in vergelijking met nieuwe menselijke spelers. Dat maakt het tot een brutale test van duurzame autonomie: de agent moet onthouden wat hij heeft geleerd, herstellen van fouten en zijn acties gedurende een hele run zorgvuldig budgetteren.

Het hoofdnummer van Nvidia krijgt context uit een vergelijking. VISTA, een eerder harnas voor directe interactie dat ook gebruik maakte van Claude Opus 5, voltooide dezelfde 183 door het publiek vastgestelde niveaus in 7.542 omgevingsacties. Volgens de blogpost van Nvidia had AVO ongeveer 12% minder handelingen nodig om de klus te klaren.

Van GPU-kernels tot onbekende games

AVO is niet gebouwd voor puzzels. Nvidia demonstreerde eerst de architectuur voor GPU-kerneloptimalisatie, een domein waar kleine codewijzigingen de correctheid, het geheugengedrag en de doorvoer op onvoorspelbare manieren kunnen verstoren. In één aandachtskernelonderzoek draaide AVO zeven dagen onafgebroken, onderzocht meer dan 500 optimalisatierichtingen en legde 40 kernelversies vast. Op NVIDIA DGX B200-systemen presteerden de resulterende multihead-aandachtskernels tot 3,5% beter dan cuDNN en tot 10,5% beter dan FlashAttention-4. Vervolgens paste de agent zijn geëvolueerde kernel aan de aandacht van gegroepeerde vragen aan in ongeveer 30 minuten extra autonoom werk.

Dezelfde kernlus – inspecteren, plannen, implementeren, testen, evalueren – werd vervolgens op ARC-AGI-3 gericht, waarbij alleen de taakinterface werd gewijzigd. Twee mechanismen overgedragen. De eerste is persistent geheugen, waarin eerdere implementaties, evaluatieresultaten, compiler- en profiler-uitvoer en verzamelde redeneringen worden opgeslagen, zodat de agent verder kan gaan vanuit de huidige status in plaats van de context helemaal opnieuw op te bouwen. De tweede is een supervisor, een tweede agent die het totale traject bewaakt en ingrijpt als de voortgang stagneert.

De supervisor is de doorbraak

TechCrunch, dat Nvidia's Adel El Hallak, vice-president van product in de AI-eenheid van het bedrijf, interviewde, benadrukte de supervisor als het belangrijkste ingrediënt. "Het gedraagt ​​zich bijna als een CEO die de agent een duwtje in de rug geeft wanneer deze de richting uitgaat of een pad begint te verkennen dat naar een doodlopende weg zou kunnen leiden, of een pad opnieuw verkent dat het eerder had betreden", vertelde El Hallak aan de publicatie.

De prestatiekloof is groot. Uit Nvidia's tests bleek dat Claude Opus 5 zonder een geavanceerd harnas een score van 30% behaalde op ARC-AGI-3 – het beste resultaat onder de geteste kale modellen, maar lang niet een volledige run. De modellen van OpenAI scoren minder dan 10% op de benchmark, en het bedrijf publiceerde vorige maand zijn eigen onderzoek waaruit bleek dat het aanpassen van slechts twee harnasinstellingen de scores verdrievoudigde. Geen enkele model-only configuratie is in de buurt gekomen van de 100% die AVO heeft bereikt.

Opvallend was dat de AVO-configuratie in een alleen-tekst-modaliteit draaide: elke waarneming werd geleverd als een exact 64x64 tekstraster, zonder dat er afbeeldingen of afbeeldingstokens naar het model werden gestuurd. De redeneerkracht kwam voort uit de lus rond het model, niet uit multimodale perceptie.

Waarom de industrie op harnassen inzet

De bevinding komt terecht in een golf van bewijzen dat de infrastructuur van agenten, en niet de capaciteit van ruwe modellen, het huidige knelpunt is voor autonome AI. Databricks publiceerde in juli benchmarkonderzoek waaruit bleek dat het harnas zowel de prestaties als de kosten dramatisch beïnvloedt. "Je kunt hetzelfde model kiezen, maar met verschillende harnassen, en je krijgt aanzienlijk meer kosten als je het verkeerde harnas gebruikt", vertelde Databricks CEO Ali Ghodsi aan TechCrunch. "Dat zelf kan 2x uw kosten zijn."

El Hallak omschreef het bredere argument van Nvidia in termen van openheid. "Wij geloven dat het hebben van een open agentenstack – waarbij je controle hebt over het harnas, over de infrastructuur, over de hele runtime – is wat nodig is om het ecosysteem vooruit en veilig te brengen", zei hij. Nvidia beschikt over open-size harnastechnologie onder het merk NeMo, en het AVO-onderzoek is gedocumenteerd in een artikel over arXiv.

Een benchmark met een geschiedenis

ARC-AGI-3 is een brandpunt geworden in de rivaliteit tussen grenslaboratoria. OpenAI claimde eerder sterke resultaten voor zijn GPT-5.6 Sol-model op de benchmark, waarbij de gebruikte evaluatie-instellingen onder de loep werden genomen. Het resultaat van Nvidia omzeilt dat debat in zekere zin: het claimt geen slimmer model, maar alleen een beter ontworpen agent rond een bestaand model.

De boodschap voor ontwikkelaars en ondernemingen die agentische producten bouwen is direct: modelselectie is nog steeds van belang, maar het systeemontwerp bepaalt nu of een grensmodel grensverleggende resultaten oplevert. Zoals Nvidia het stelt: het evalueren van een model is niet hetzelfde als het evalueren van een agent – ​​en de benchmarktabellen van 2026 belonen steeds meer de ingenieurs die de steigers bouwen.

Blijf AI een stap voor

Agent-architecturen ontwikkelen zich sneller dan ooit, en de kloof tussen een goed en een slecht harnas wordt nu gemeten in benchmarkpunten en echte dollars. Volg AI Buzz Wire voor dagelijkse, brongeverifieerde berichtgeving over AI-onderzoek, benchmarks en productlanceringen.

Lees meer AI-onderzoeksnieuws →