Os pesquisadores da Nvidia construíram um sistema de agente que levou Claude Opus 5 da Anthropic a uma pontuação perfeita de 100% no ARC-AGI-3, um dos benchmarks de raciocínio interativo mais exigentes em IA – usando o mesmo modelo que pontua 30% quando é executado por conta própria. O resultado, publicado sexta-feira no Blog Técnico da Nvidia, é a evidência mais forte até agora de que o software envolvido em um modelo de fronteira é tão importante quanto o próprio modelo. Para quem acompanha os mais recentes desenvolvimentos de IA, isso marca uma mudança no local onde realmente reside a vantagem competitiva na IA de agência.
O sistema é chamado AVO, abreviação de Agentic Variation Operators, e é a abordagem da Nvidia em uma arquitetura de uso geral para agentes autônomos de longo horizonte – IA que pode permanecer na tarefa por horas ou dias em vez de responder a um único prompt. No conjunto público ARC-AGI-3, AVO registrou uma pontuação RHAE de 100,00 em todos os 25 ambientes de jogo, completando todos os 183 níveis em 6.624 ações ambientais usando Claude Opus 5 como modelo de back-end.
O que o ARC-AGI-3 realmente testa
ARC-AGI-3 é um benchmark de raciocínio interativo criado pela fundação ARC Prize. Um agente é jogado em ambientes desconhecidos, semelhantes a jogos, sem instruções, sem regras e sem objetivos definidos. Tem de explorar através de tentativa e erro, inferir como funciona o ambiente, descobrir o que significa “vencer” e depois agir com eficiência suficiente para progredir através de níveis progressivamente mais difíceis.
A métrica de pontuação do benchmark, Eficiência Relativa da Ação Humana (RHAE), combina a conclusão da tarefa com o número de ações que o agente desperdiça em relação aos jogadores humanos iniciantes. Isso faz com que seja um teste brutal de autonomia sustentada: o agente deve lembrar o que aprendeu, recuperar-se de erros e orçamentar cuidadosamente as suas ações ao longo de toda a execução.
O número da manchete da Nvidia ganha contexto a partir de uma comparação. VISTA, um equipamento de interação direta anterior que também utilizou Claude Opus 5, completou os mesmos 183 níveis definidos pelo público em 7.542 ações ambientais. AVO precisou de cerca de 12% menos ações para terminar o trabalho, de acordo com postagem no blog da Nvidia.
De kernels de GPU a jogos desconhecidos
AVO não foi construído para quebra-cabeças. A Nvidia demonstrou pela primeira vez a arquitetura na otimização do kernel da GPU, um domínio onde pequenas alterações no código podem quebrar a correção, o comportamento da memória e o rendimento de maneiras imprevisíveis. Em um estudo de kernel de atenção, o AVO foi executado continuamente por sete dias, explorou mais de 500 direções de otimização e comprometeu 40 versões de kernel. Nos sistemas NVIDIA DGX B200, os kernels de atenção multihead resultantes superaram o cuDNN em até 3,5% e o FlashAttention-4 em até 10,5%. O agente então adaptou seu kernel evoluído para atenção de consulta agrupada em cerca de 30 minutos de trabalho autônomo adicional.
O mesmo loop principal – inspecionar, planejar, implementar, testar, avaliar – foi então apontado para ARC-AGI-3 com apenas a interface da tarefa alterada. Dois mecanismos transportados. A primeira é a memória persistente, que armazena implementações anteriores, resultados de avaliação, saídas do compilador e do criador de perfil e raciocínio acumulado, para que o agente possa retomar a partir de seu estado atual em vez de reconstruir o contexto do zero. O segundo é um supervisor, um segundo agente que observa a trajetória geral e intervém quando o progresso estagna.
O supervisor é o avanço
O TechCrunch, que entrevistou Adel El Hallak da Nvidia, vice-presidente de produto da unidade de IA da empresa, destacou o supervisor como o ingrediente mais importante. “É quase como um CEO cutucar o agente quando ele se desvia da direção ou começa a explorar um caminho que pode levar a um beco sem saída, ou reexplorar um caminho que já havia trilhado anteriormente”, disse El Hallak à publicação.
A lacuna de desempenho é gritante. Os testes da Nvidia descobriram que Claude Opus 5 sem um chicote sofisticado conseguiu uma pontuação de 30% no ARC-AGI-3 – o melhor resultado entre os modelos simples testados, mas nem perto de uma execução completa. Os modelos da OpenAI obtiveram pontuação inferior a 10% no benchmark, e a empresa publicou sua própria pesquisa no mês passado mostrando que ajustar apenas duas configurações de chicote triplicou sua pontuação. Nenhuma configuração exclusiva de modelo chegou perto dos 100% alcançados pela AVO.
Notavelmente, a configuração do AVO foi executada na modalidade somente texto: cada observação foi fornecida como uma grade de texto exata de 64x64, sem imagens ou tokens de imagem enviados ao modelo. O poder de raciocínio veio do ciclo em torno do modelo, não da percepção multimodal.
Por que a indústria está apostando em arneses
A descoberta surge no meio de uma onda de evidências de que a infraestrutura do agente, e não a capacidade bruta do modelo, é o atual gargalo para a IA autónoma. A Databricks publicou uma pesquisa de benchmarking em julho mostrando que o chicote impacta dramaticamente tanto o desempenho quanto o custo. “Você pode escolher o mesmo modelo, mas com chicotes diferentes, e terá um custo significativamente maior se usar o chicote errado”, disse o CEO da Databricks, Ali Ghodsi, ao TechCrunch. "Isso por si só pode duplicar o seu custo."
El Hallak enquadrou o argumento mais amplo da Nvidia em termos de abertura. “Acreditamos que ter uma pilha de agentes aberta – onde você tem controle em todo o equipamento, em toda a infraestrutura, em todo o tempo de execução – é o que é necessário para que possamos levar o ecossistema adiante e com segurança”, disse ele. A Nvidia possui peças de tecnologia de chicote de tamanho aberto sob sua marca NeMo, e a pesquisa AVO está documentada em um artigo no arXiv.
Uma referência com história
ARC-AGI-3 tornou-se um ponto crítico na rivalidade entre laboratórios de fronteira. A OpenAI reivindicou anteriormente bons resultados para seu modelo GPT-5.6 Sol no benchmark, examinando minuciosamente as configurações de avaliação usadas. O resultado da Nvidia contorna esse debate em certo sentido – não reivindica um modelo mais inteligente, apenas um agente com melhor engenharia em torno de um já existente.
A mensagem para os desenvolvedores e empresas que criam produtos agentes é direta: a seleção do modelo ainda é importante, mas o design do sistema agora decide se um modelo de fronteira entrega resultados de fronteira. Como diz a Nvidia, avaliar um modelo não é o mesmo que avaliar um agente – e as tabelas de benchmark de 2026 estão recompensando cada vez mais os engenheiros que constroem o andaime.
Fique à frente da IA
As arquiteturas de agentes estão evoluindo mais rápido do que nunca, e a diferença entre um equipamento bom e um ruim agora é medida em pontos de referência e em dólares reais. Siga o AI Buzz Wire para cobertura diária de pesquisa de IA, benchmarks e lançamentos de produtos, verificada na fonte.
Leia mais notícias sobre pesquisa de IA →
